奇异值分解求解超定方程最小二乘解

奇异值分解求解超定方程最小二乘解

超定方程可以通过SVD奇异值分解来求解最小二乘解，分为两种：
1、Ax = 0
对于这个情况：

"""
Ax = 0
A = [[1, 2, 3],      x1
     [4, 5, 6],  *   x2    = 0
     ......
     [2, 3, 4]]      x3
"""
U, Sigma, VT = np.linalg.svd(A)
print(VT)
print(VT.T)

x1 = VT.T[0, 2]
x2 = VT.T[1, 2]
x3 = VT.T[2, 2]

即奇异值分解的V的转置的最后一列为所求解的值。
2、Ax = b

import numpy as np
#输入系数矩阵A
A = np.array([[2,4,-11],[3,-5,-3],[1,2,-6],[2,1,-7]])
 
 
#对A进行svd分解
U,Sigma,VT = np.linalg.svd(A)
#print(U)
#print(Sigma)
#print(VT)
 
#求解,V的列向量即是ATA的特征向量
#VT最后一行的行向量即为最小特征值对应的特征向量
#由于x[3,0]=1,所以需要对结果进行处理
k=1/ VT[2,2]
x_1=VT[2,0]*k
x_2=VT[2,1]*k
print(x_1,x_2)
 
#误差
X=np.array([[x_1],[x_2],[1]])
R=np.dot(np.transpose(np.dot(A,X)),(np.dot(A,X)))
print (R)

参考参考

最后

以上就是神勇书包为你收集整理的奇异值分解求解超定方程最小二乘解的全部内容，希望文章能够帮你解决奇异值分解求解超定方程最小二乘解所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。