matlab矩阵及其基本运算—特征值分解和奇异值分解
来源:互联网 发布:淘宝网短袖圆领男内衣 编辑:程序博客网 时间:2024/05/11 19:46
特征值分解
函数 eig
eig: Find eigenvalues and eigenvectors
格式 d = eig(A) %求矩阵A的特征值d,以向量形式存放d。
d = eig(A,B) %A、B为方阵,求广义特征值d,以向量形式存放d。
[V,D] = eig(A) %计算A的特征值对角阵D和特征向量V,使AV=VD成立。
[V,D] = eig(A,'nobalance') %当矩阵A中有与截断误差数量级相差不远的值时,该指令可能更精确。'nobalance'起误差调节作用。
[V,D] = eig(A,B) %计算广义特征值向量阵V和广义特征值阵D,满足AV=BVD。
[V,D] = eig(A,B,flag) % 由flag指定算法计算特征值D和特征向量V,flag的可能值为:'chol' 表示对B使用Cholesky分解算法,这里A为对称Hermitian矩阵,B为正定阵。'qz' 表示使用QZ算法,这里A、B为非对称或非Hermitian矩阵。
说明 一般特征值问题是求解方程: 解的问题。广义特征值问题是求方程: 解的问题。
奇异值分解
函数 svd
格式 s = svd (X) %返回矩阵X的奇异值向量
[U,S,V] = svd (X,0) %得到一个“有效大小”的分解,只计算出矩阵U的前n列,矩阵S的大小为n×n。
例1-73
>> A=[1 2;3 4;5 6;7 8];
>> [U,S,V]=svd(A)
U =
-0.1525 -0.8226 -0.3945 -0.3800
-0.3499 -0.4214 0.2428 0.8007
-0.5474 -0.0201 0.6979 -0.4614
-0.7448 0.3812 -0.5462 0.0407
S =
14.2691 0
0 0.6268
0 0
0 0
V =
-0.6414 0.7672
-0.7672 -0.6414
>> [U,S,V]=svd(A,0)
U =
-0.1525 -0.8226
-0.3499 -0.4214
-0.5474 -0.0201
-0.7448 0.3812
S =
14.2691 0
0 0.6268
V =
-0.6414 0.7672
-0.7672 -0.6414
函数 eig
eig: Find eigenvalues and eigenvectors
格式 d = eig(A) %求矩阵A的特征值d,以向量形式存放d。
d = eig(A,B) %A、B为方阵,求广义特征值d,以向量形式存放d。
[V,D] = eig(A) %计算A的特征值对角阵D和特征向量V,使AV=VD成立。
[V,D] = eig(A,'nobalance') %当矩阵A中有与截断误差数量级相差不远的值时,该指令可能更精确。'nobalance'起误差调节作用。
[V,D] = eig(A,B) %计算广义特征值向量阵V和广义特征值阵D,满足AV=BVD。
[V,D] = eig(A,B,flag) % 由flag指定算法计算特征值D和特征向量V,flag的可能值为:'chol' 表示对B使用Cholesky分解算法,这里A为对称Hermitian矩阵,B为正定阵。'qz' 表示使用QZ算法,这里A、B为非对称或非Hermitian矩阵。
说明 一般特征值问题是求解方程: 解的问题。广义特征值问题是求方程: 解的问题。
奇异值分解
函数 svd
格式 s = svd (X) %返回矩阵X的奇异值向量
[U,S,V] = svd (X) %返回一个与X同大小的对角矩阵S,两个酉矩阵U和V,且满足= U*S*V'。若A为m×n阵,则U为m×m阵,V为n×n阵。
奇异值在S的对角线上,非负且按降序排列。
[U,S,V] = svd (X,0) %得到一个“有效大小”的分解,只计算出矩阵U的前n列,矩阵S的大小为n×n。
例1-73
>> A=[1 2;3 4;5 6;7 8];
>> [U,S,V]=svd(A)
U =
-0.1525 -0.8226 -0.3945 -0.3800
-0.3499 -0.4214 0.2428 0.8007
-0.5474 -0.0201 0.6979 -0.4614
-0.7448 0.3812 -0.5462 0.0407
S =
14.2691 0
0 0.6268
0 0
0 0
V =
-0.6414 0.7672
-0.7672 -0.6414
>> [U,S,V]=svd(A,0)
U =
-0.1525 -0.8226
-0.3499 -0.4214
-0.5474 -0.0201
-0.7448 0.3812
S =
14.2691 0
0 0.6268
V =
-0.6414 0.7672
-0.7672 -0.6414
阅读全文
0 0
- matlab矩阵及其基本运算—特征值分解和奇异值分解
- matlab矩阵及其基本运算—特征值分解和奇异值分解
- matlab矩阵及其基本运算—特征值分解和奇异值分解
- 矩阵特征值,奇异值分解
- 矩阵的“特征值分解”和“奇异值分解”区别
- 矩阵的“特征值分解”和“奇异值分解”区别
- 奇异值分解和特征值分解
- 奇异值分解和特征值分解
- 矩阵分析-奇异值分解与特征值
- 矩阵特征值与奇异值分解
- 矩阵分析 特征值分解 奇异值分解 PCA
- 矩阵分解 (特征值/奇异值分解+SVD+解齐次/非齐次线性方程组)
- 【转】矩阵的奇异值分解和特征值分解的异同
- 奇异值分解和特征值分解的一些备注
- 特征值分解(EVD)和奇异值分解(SVD)
- 特征值分解与奇异值分解
- 奇异值分解与特征值分解
- 特征值分解 & 奇异值分解(SVD)
- Android 7.1 GUI系统-窗口管理WindowManagerService(一)
- CSAPP Note chap3
- mybatis gengerator
- laravel数据填充(seeder)及faker和tinker的使用
- 基于PCL的三维重建—贪婪投影三角化算法实践与参数设置
- matlab矩阵及其基本运算—特征值分解和奇异值分解
- C++ Primer Plus 编程练习 3.7.5
- 14 关于栈帧(修改)
- java基础之异常
- OC学习篇之---总结和学习目录
- jbpm入门
- mysql学习笔记
- OPNET中Process Model编译出现“IDB是PDB文件的非法扩展”的解决方法
- 并发编程 atomic collections