概述
Singular Value Decomposition（SVD，奇异值分解）
Full SVD
矩阵 Amn ，其中m和n不一定相等，可以写成：
Amn=UmmSmnVnn
Umm 由 AAT 的特征向量构成；
Vnn 由 ATA 的特征向量构成；
AAT 和 ATA 的非零特征值相同，但特征值对应的特征向量不一定相同；Reduced SVD
矩阵 Amn ，其中m和n不一定相等，可以写成：
Amn=UmkSkkVkn
Umk 由 AAT 的前k个特征向量构成；
Vkn 由 ATA 的前k个特征向量构成；
其中，k是可配置项，选取前k个信息量最大的维。可以将一个大矩阵分解成三个小矩阵，降低存储和运算，同时保证信息的损失在可控范围之内。语音识别领域对模型进行low-rank处理就是基于此思想。SVD的抽象说明
① 进行空间变换，变换后各维信息是独立的，从而更好展示原始数据的区分性；
② 对各维信息的重要程度进行排序，从而根据每维信息的重要程度进行针对性的选择，从而达到数据降维的作用。
参考文献：
Singular Value Decomposition Tutorial，Kirk Baker，2013
最后
以上就是从容发夹为你收集整理的SVD奇异值分解简析的全部内容，希望文章能够帮你解决SVD奇异值分解简析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。
本图文内容来源于网友提供，作为学习参考使用，或来自网络收集整理，版权属于原作者所有。
发表评论 取消回复