奇异值分解(SVD)和最小二乘解在解齐次线性超定方程中的应用
2024-09-01 10:57:31
奇异值分解,是在A不为方阵时的对特征值分解的一种拓展。奇异值和特征值的重要意义相似,都是为了提取出矩阵的主要特征。
对于齐次线性方程 A*X =0;当A的秩大于列数时,就需要求解最小二乘解,在||X||=1的约束下,其最小二乘解为矩阵A'A最小特征值所对应的特征向量。
假设x为A'A的特征向量的情况下,为什么是最小的特征值对应的x能够是目标函数最小?具体证明如下:
齐次线性方程组的最小二乘问题可以写成如下:min ||Ax||
s.t: ||x||=1
目标函数:||Ax|| = x'A'Ax = x'λx=λ||x||=λ,其中λ是A'A的特征值。
于是可知,得到了A'A的最小特征值,就得到了最优值,而其最小特征值对应的特征向量就是最优解.
而对M进行SVD分解(*表示共轭转置):
- 可见M*M的特征向量就是V的列向量。
最新文章
- [Android Tips] 18. Enable/Disable WiFi via adb
- sql server2008中左连接,右连接,等值连接的区别
- 17.Python笔记之memcached&;redis
- git——学习笔记(二)远程仓库
- 图片_ _优化Bitmap加载图片1
- 如何用虚拟机装SQL Server
- [Delphi]检查URL是否有效的函数
- window服务创建
- SQL 内存数据库的细节
- 易用性测试、本地化测试、部署测试、无障碍测试、回归测试、冒烟测试、A/B测试
- Maven配置ojdbc14-10.2.0.4.0.jar
- c# 获取当前时间的微秒
- iOS 多线程 NSOperation、NSOperationQueue
- 2019/3/2周末 java集合学习(一)
- [WC2005]双面棋盘(并查集+分治)
- loadrunner 基础-学习笔记一
- springmvc静态资源无法加载
- Windows 多用户接续设置
- 记录下ABAP开发的一些东西(T-code居多)Updated to markdown
- Django——模板语言相关内容