求伪逆的五种方法比较

最新推荐文章于 2024-09-17 20:34:02 发布

理科班的习习同学

最新推荐文章于 2024-09-17 20:34:02 发布

阅读量5.4k

点赞数 4

分类专栏： matlab 数据分析最优化文章标签：数据分析数学建模线性代数

本文链接：https://blog.csdn.net/qq_41448372/article/details/105742441

版权

本文对比了在高维数据情况下，求解矩阵伪逆的五种方法：左右同时乘以A'，chol分解，qr分解，svd分解和pinv函数。通过数据拟合和范式检验，发现SVD分解在高维下表现最佳，而在低维情况下，使用两边同时乘以A'可能会导致奇异矩阵警告。

摘要由CSDN通过智能技术生成

A*x=y当A不可逆如何解x
求伪逆有五种方法，左右同时乘以A’，’chol（）分解，qr() 分解，svd（）分解和pinv()求伪逆，下面来比较一下哪个最优秀。
如果A是个355行3列的矩阵，经过计算，五个方式计算结果相同，对模型的拟合都是没有影响的。
如果A是个355行12列的矩阵（更高维），那么根据我对数据的拟合，结果如下：
在这里插入图片描述
深蓝线是数据，绿色的线是两边同时×A’，浅蓝色的线是pinv分解拟合出的模型，红线是qr拟合出的模型，黄线是svd分解拟合出的模型。这么浅显的看的话在高维下svd和两边同时×A’胜出，那么他们究竟谁更胜一筹，我们看一下第一范式，第二范式和Inf范式检验的结果：
%两边同时×A’
LINorm: 4310.269307,
degree:12
L2Norm: 304.254326,
degree:12
LinfNorm: 53.894558,
degree:12
%pinv
LINorm_pinv: 280971.201240,
degree:12
L2Norm_pinv: 17769.498396,
degree:12
LinfNorm_pinv: 1418.760946,
degree:12
%qr
LINorm_qr: 15143.093210,
degree:12
L2Norm_qr: 1598.