SVD 分解

SVD分解:Singular Value Decomposition, 记录点滴。

定义

将矩阵A分解为三个矩阵相乘的形式,其中A为m x n的矩阵,U为m x m 的单位正交阵,V为nxn的单位正交阵, Σ为m x n的 对角阵。
A = U Σ V T A=U\Sigma V^T A=UΣVT

含义

矩阵的几何意义在于旋转和缩放,U 和 V用来做旋转, Σ用来缩放。
U U T = I UU^T=I UUT=I V V T = I VV^T=I VVT=I, 这两个矩阵都是单位正交阵,不会产生缩放。Σ一般是下面的形式
Σ = [ λ 1 ⋯ ⋯ ⋯ ⋯ λ 2 ⋯ ⋯ ⋯ ⋯ ⋱ ⋯ ⋯ ⋯ ⋯ λ m ] \Sigma = \left[ \begin{array}{cccc} \lambda_1 & \cdots &\cdots &\cdots \\ \cdots & \lambda_2 &\cdots &\cdots \\ \cdots &\cdots & \ddots &\cdots \\ \cdots &\cdots &\cdots& \lambda_m \end{array}\right] Σ=λ1λ2λm
表示常值对向量的缩放。

求解

A A T = U Σ V T V Σ T U T = U Σ 2 U T AA^T=U\Sigma V^T V \Sigma^T U^T = U\Sigma^2 U^T AAT=UΣVTVΣTUT=UΣ2UT
通过对 A A T AA^T AAT进行特征值分解,即可得到特征向量U,特征值开方可得到Σ。同理根据下式可得V。
A T A = V Σ T U T U Σ V T = V Σ 2 V T A^TA=V \Sigma^T U^T U\Sigma V^T =V\Sigma^2 V^T ATA=VΣTUTUΣVT=VΣ2VT

应用

压缩图像、降噪,取图像矩阵中的重要奇异值进行重构,不重要的奇异值略掉, 即实现了降噪或压缩的效果。
参考:
https://www.cnblogs.com/endlesscoding/p/10033527.html
https://www.cnblogs.com/xiaohuahua108/p/6137783.html?utm_source=itdadao&utm_medium=referral

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值