奇异值分解

简介: 奇异值分解

奇异值分解



矩阵对角化只适用于方阵,如果不是方阵也可以进行类似的分解,这就是奇异值分解,简称SVD。假设A是一个m x n的矩阵,则存在如下分解:

image.png


其中U为m x m的正交矩阵,其列称为矩阵A的左奇异向量; image.png为m x n的对角矩阵,除了主对角线 image.png以外,其他元素都是0;V为n x n的正交矩阵,其行称为矩阵A的右奇异向量。



U的列为AAT的特征向量,V的列为AT A的特征向量。


相关文章
|
6月前
|
人工智能 算法 计算机视觉
VGen与SVD的比较
【1月更文挑战第7天】VGen与SVD的比较
141 1
VGen与SVD的比较
|
机器学习/深度学习
线性代数(五)特征值和特征向量
线性代数(五)特征值和特征向量
221 1
|
机器学习/深度学习 Java
2022-10-10-使用SVD进行数据降维
2022-10-10-使用SVD进行数据降维
97 0
|
存储 资源调度 自然语言处理
奇异值分解(SVD)和图像压缩
在本文中,我将尝试解释 SVD 背后的数学及其几何意义,还有它在数据科学中的最常见的用法,图像压缩。
210 0
|
算法
线性代数(一)矩阵和方程组
线性代数(一)矩阵和方程组
165 0
|
机器学习/深度学习 传感器 算法
Cholesky正定矩阵分解附matlab代码
Cholesky正定矩阵分解附matlab代码
|
搜索推荐 算法 数据可视化
降维算法: 奇异值分解SVD
降维算法: 奇异值分解SVD
204 0
|
机器学习/深度学习 数据可视化 算法
通俗易懂的讲解奇异值分解(SVD)和主成分分析(PCA)
通俗易懂的讲解奇异值分解(SVD)和主成分分析(PCA)
469 1
通俗易懂的讲解奇异值分解(SVD)和主成分分析(PCA)
【线性代数】求矩阵的特征值、特征向量和协方差矩阵
线性代数基础知识:求矩阵的特征值、特征向量和协方差矩阵
【线性代数】求矩阵的特征值、特征向量和协方差矩阵
|
机器学习/深度学习 人工智能 搜索推荐
SVD 矩阵分解 | 学习笔记
快速学习 SVD 矩阵分解
SVD 矩阵分解 | 学习笔记
下一篇
无影云桌面