SVD实例
>> X = rand(5,7)
X =
0.9797 0.1365 0.6614 0.5828 0.2259 0.2091 0.5678
0.2714 0.0118 0.2844 0.4235 0.5798 0.3798 0.7942
0.2523 0.8939 0.4692 0.5155 0.7604 0.7833 0.0592
0.8757 0.1991 0.0648 0.3340 0.5298 0.6808 0.6029
0.7373 0.2987 0.9883 0.4329 0.6405 0.4611 0.0503
>> [U,S,V] = svd(X)
U =
-0.4577 -0.4718 -0.4059 0.0775 0.6302
-0.3540 -0.2899 0.4478 -0.7626 -0.0921
-0.4681 0.7519 0.2577 0.0364 0.3845
-0.4451 -0.2974 0.4591 0.6288 -0.3276
-0.4979 0.1989 -0.5980 -0.1252 -0.5825
S =
2.8977 0 0 0 0 0 0
0 1.0642 0 0 0 0 0
0 0 0.8453 0 0 0 0
0 0 0 0.5135 0 0 0
0 0 0 0 0.3272 0 0
V =
-0.4899 -0.4371 -0.2957 0.6550 -0.0821 -0.2095 -0.0427
-0.2493 0.5680 0.1100 0.2375 0.5788 -0.3107 0.3393
-0.3948 0.1273 -0.6878 -0.4510 -0.0790 0.1805 0.3355
-0.3528 -0.0220 -0.0232 -0.2011 0.5041 0.2254 -0.7275
-0.4208 0.2507 0.2651 -0.2806 -0.5051 -0.5408 -0.2520
-0.3898 0.2531 0.3832 0.2442 -0.2862 0.6940 0.1184
-0.2975 -0.5854 0.4579 -0.3637 0.2467 -0.0457 0.4047
>> U*S*V'
ans =
0.9797 0.1365 0.6614 0.5828 0.2259 0.2091 0.5678
0.2714 0.0118 0.2844 0.4235 0.5798 0.3798 0.7942
0.2523 0.8939 0.4692 0.5155 0.7604 0.7833 0.0592
0.8757 0.1991 0.0648 0.3340 0.5298 0.6808 0.6029
0.7373 0.2987 0.9883 0.4329 0.6405 0.4611 0.0503
>> S(5,5)=0
S =
2.8977 0 0 0 0 0 0
0 1.0642 0 0 0 0 0
0 0 0.8453 0 0 0 0
0 0 0 0.5135 0 0 0
0 0 0 0 0 0 0
>> U*S*V'
ans =
0.9967 0.0172 0.6777 0.4789 0.3301 0.2681 0.5170
0.2690 0.0292 0.2820 0.4387 0.5646 0.3712 0.8016
0.2627 0.8211 0.4792 0.4521 0.8239 0.8193 0.0281
0.8669 0.2612 0.0563 0.3880 0.4757 0.6502 0.6293
0.7217 0.4090 0.9733 0.5290 0.5443 0.4066 0.0973
>>
SVD实例的更多相关文章
- lapacke svd实例
参考 intel MTK实例 https://software.intel.com/sites/products/documentation/doclib/mkl_sa/11/mkl_lapack_e ...
- 奇异值分解(SVD)和简单图像压缩
SVD(Singular Value Decomposition,奇异值分解) 算法优缺点: 优点:简化数据,去除噪声,提高算法结果 缺点:数据的转换可能难于理解 适用数据类型:数值型数据 算法思想: ...
- 《学习opencv》笔记——矩阵和图像操作——cvInRange,cvInRangeS,cvInvert and cvMahalonobis
矩阵和图像的操作 (1)cvInRange函数 其结构 void cvInRange(//提取图像中在阈值中间的部分 const CvArr* src,//目标图像 const CvArr* lowe ...
- 最近学习工作流 推荐一个activiti 的教程文档
全文地址:http://www.mossle.com/docs/activiti/ Activiti 5.15 用户手册 Table of Contents 1. 简介 协议 下载 源码 必要的软件 ...
- 奇异值分解(SVD)实例,将不重要的特征值改为0,原X基本保持不变
>> s = rand(5,7) s = 0.4186 0.8381 0.5028 0.1934 0.6979 0.4966 0.6602 0.8462 0.0196 0.7095 ...
- 协同过滤和简单SVD优化
协同过滤(collaborative filtering) 推荐系统: 百度百科的定义是:它是利用电子商务网站向客户提供商品信息和建议,帮助用户决定应该购买什么产品,模拟销售人员帮助客户完成购买过程主 ...
- paper 128:奇异值分解(SVD) --- 线性变换几何意义[转]
PS:一直以来对SVD分解似懂非懂,此文为译文,原文以细致的分析+大量的可视化图形演示了SVD的几何意义.能在有限的篇幅把这个问题讲解的如此清晰,实属不易.原文举了一个简单的图像处理问题,简单形象,真 ...
- SVD分解的理解[转载]
http://www.bfcat.com/index.php/2012/03/svd-tutorial/ SVD分解(奇异值分解),本应是本科生就掌握的方法,然而却经常被忽视.实际上,SVD分解不但很 ...
- 转载:奇异值分解(SVD) --- 线性变换几何意义(下)
本文转载自他人: PS:一直以来对SVD分解似懂非懂,此文为译文,原文以细致的分析+大量的可视化图形演示了SVD的几何意义.能在有限的篇幅把这个问题讲解的如此清晰,实属不易.原文举了一个简单的图像处理 ...
随机推荐
- 记一次bash脚本报错原因
准备部署上次写的 爬虫的定时任务,发现sh脚本 写为最简单的cd ,也报错 后来网上一波了解,原因竟是 : 额,格式问题,我为了图方便是在window里用notepad++写的,然后我再linux 系 ...
- Nvidia NVENC 硬编码预研总结
本篇博客记录NVENC硬编码的预研过程 github: https://github.com/MarkRepo/NvencEncoder 步骤如下: (1)环境搭建 (2)demo编译,测试,ARG ...
- 【Prometheus】第二篇---基本查询语法
这几天忙着开发别的项目,今天抽空写一下Prometheus的查询语法 1,查看指标 直接输入指标名字就行了,grafana会自动补全 2,查看某个指标的使用率,比如cpu使用率 用到rate函数,ra ...
- yii 资料
https://github.com/forecho/awesome-yii2 会随时更新 链接:http://pan.baidu.com/s/1mgCKtUK 密码:t6t1 与<YII框架& ...
- iOS 流媒体 基本使用 和方法注意
项目里面需要添加视频方法 我自定义 选用的是 avplayer 没选择 MediaPlayer 原因很简单 , avplayer 会更容易扩展 有篇博客 也很好地说明了 使用avplayer ...
- [原创]java WEB学习笔记37:EL表达式(简介,运算符,自动类型转换,保留字,隐含对象)
1.EL 简介 1)EL 全名为 Expression Language,它原本是 JSTL 1.0 为方便存取数据所自定义的语言 2)语法:EL 语法很简单,它最大的特点就是使用上很方便:${s ...
- echarts相关设置
1.显示隐藏工具栏 注释toolbox即可 /* toolbox: { show : true, feature : { dataView ...
- render总结
vue渲染组件的顺序是: 执行render函数-->没有render参数解析template参数内容-->没有template参数将el内html当做template解析 其中解析temp ...
- awk过滤磁盘使用率
过滤出大于某个值的磁盘使用率: #!/bin/bash diskspace=`df -Ph`IFS="\n" for line in $diskspace;do ec ...
- Luogu-2657 [SCOI2009]windy数
很少做数位\(dp\)的题,做道题学习一下吧. 记忆化搜索,\(f[10][10][2][2]\)分别记录当前位置,上一位数,是否有前导零和是否有大小上限. 题目要满足相邻两个数相差不小于2,如果有前 ...