SVD分解理论
来源:互联网 发布:淘宝买家仅退款不退货 编辑:程序博客网 时间:2024/05/20 01:36
矩阵SVD分解的理论基础
首先,我们先说明什么是矩阵的奇异值分解(single value decomposition),简称SVD。
给定一个矩阵
其中,U是正交矩阵,其列向量是
且
在我们知道了什么是SVD后,接下来看一下SVD是怎么来的,在开始之前我们先介绍一下矩阵的四个基本子空间的基本性质。
四个基本子空间
设矩阵
A的行空间
A的列空间 R(A)为A 的列向量的张成集合,
A的的零空间 N(A)为满足Ax = 0 的所有x 组成的集合,
\par 四个基本子空间的维数分别为dim(R(A)) = r,dim(
有关特征值的结论
AAT 和ATA 具有相同的非零特征值,而且所有特征值均大于等于0A=U∧UT 为对称矩阵A的特征值分解(对称性保证特征向量正交),∧ 是对角线元素A的特征值的对角矩阵,U的列向量为对应的A的特征向量。- rank(A) = r,则
ATA 的正特征值有r个
SVD的由来
在矩阵A的行空间,我们选择一组标准正交基
我们把
我们把零空间也考虑进来,记A的零空间的一组标准正交基
写成矩阵形式如下
什么样的U,V,
首先,左乘
由对称矩阵的特征值分解,我们可以知道,
奇异值,的正V 的列向量取对应的特征向量。
然后,右乘
由对称矩阵的特征值分解,我们可以知道,
由于
再看SVD
从上面的推导我们可以看出,
- V的前r列组成
R(AT) 的标准正交基 - U的前r列组成
R(A) 的标准正交基 - V的后n-r列组成N(A)的标准正交基
- U的后m-r列组成
N(AT) 的标准正交基
我们把矩阵A的SVD展开
例 求矩阵A =
解
所以 V =
又
因此
所以
- SVD分解理论
- 奇异值分解SVD--简单理论
- 矩阵的奇异值分解(SVD)(理论)
- SVD分解
- SVD分解
- SVD分解
- SVD分解
- SVD分解
- SVD分解
- SVD分解
- SVD分解
- SVD分解
- SVD分解
- SVD分解
- svd分解
- SVD分解
- 矩阵分解 SVD分解
- 机器学习实战-SVD与特征值分解的理论推导及SVD在推荐系统中的应用
- 关于评论话题挖掘的研究及其实现代码(二)词图切分
- 自适应族
- HTTP客户端识别与Cookie机制
- 【NOIP2004】虫食算(搜索+高斯消元)
- iOS Objc Runtime 教程+实例Demo
- SVD分解理论
- revit二次开发——从族实例中取得几何信息
- 单例模式,你所应该知道的一切
- 在WebStorm里配置watcher实现编辑less文件时自动生成.map和压缩后的.css文件
- ℃江让您从精通到入门:第一次
- HDU1698 Just a Hook 线段树成段替换
- java设计模式之组合模式
- tcp为什么需要3次握手和3次握手的过程
- dfs走迷宫