知识库 > 数学方法 > 数值计算 > 矩阵的分解

SVD分解    

  •     奇异值分解,是一种重要的分解方法,在信号与图像处理,统计,数据压缩等领域有重要应用。
        的n个特征值的非负平方根叫做的奇异值
        A是的矩阵,则存在,U是阶酉矩阵;S是半正定m×n阶对角矩阵,V是阶酉矩阵。S对角线上的元素就是A的奇异值。SVD是最可靠的分解法,但是它比QR分解法要花上近十倍的计算时间。
        奇异值分解在某些方面与对称矩阵或埃尔米特矩阵基于特征向量的对角化类似,但还是有明显的不同。对称矩阵特征值分解的基础是谱分解,而奇异值分解则是谱分解理论在任意矩阵上的推广。
        

        mt_decompose_svd(A,S);
        mt_decompose_svd(A,U,S);
        mt_decompose_svd(A,U,S,V);
        说明:进行SVD分解,变参得到奇异值,左特征向量以及右特征向量
        参数:
        A:需要被分解的n*m矩阵
        S:变参返回A的奇异值,一维数组
        U:变参返回A的左特征向量,二维数组
        V:变参返回A的右特征向量,二维数组
        

        例:
        

        H := corr(rand(100,4));
        mt_decompose_svd(H,U,S,V);