>> 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

  1. lapacke svd实例

    参考 intel MTK实例 https://software.intel.com/sites/products/documentation/doclib/mkl_sa/11/mkl_lapack_e ...

  2. 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: ...

  3. 《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 ...

  4. 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 ...

  5. 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 ...

  6. 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 ...

  7. 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 ...

  8. 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 ...

  9. 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

  1. 数据分析R语言(1)

    无意中发现网上的一个数据分析R应用教程,看了几集感觉还不错,本文做一个学习笔记(知识点来源:视频内容+R实战+自己的理解),视频详细的信息请参考http://www.itao521.com/cours ...

  2. linux.1:创建分区和文件系统

    概述 使用 fdisk.gdisk 和 parted 创建和修改 MBR 和 GPT 分区在本教程中,学习磁盘分区和 Linux 文件系统相关内容,包括学习如何: 使用 mkfs 命令设置 ext2. ...

  3. 为什么下了android 4.1 的SDK后在本地用浏览器看api说明文档时,浏览器打开api的html文件很慢?试了好几款浏览器都一样。为什么?

    http://www.oschina.net/question/436724_61401 http://www.google.com/jsapi  他惹的祸 注释掉就可以了- <!-- < ...

  4. codeforces 466C 计数 codeforces 483B 二分 容斥

    题意:给你n个数,将他们分成连续的三个部分使得每个部分的和相同,求出分法的种数. 思路:用一个数组a[i]记下从第一个点到当前i点的总和.最后一个点是总和为sum的点,只需求出总和为1/3sum的点和 ...

  5. Linux学习之CentOS(一)--CentOS6.6下Mysql数据库的安装与配置

    在这里我是通过yum来进行mysql数据库的安装的,通过这种方式进行安装,可以将跟mysql相关的一些服务.jar包都给我们安装好,所以省去了很多不必要的麻烦!!! [root@larry ~]# c ...

  6. 源码分享-纯CSS3实现齿轮加载动画

    纯CSS3实现齿轮加载动画是一款可以用来做Loading动画的CSS3特效代码. 有兴趣的朋友可以下载下来试试:http://www.huiyi8.com/sc/8398.html

  7. BZOJ 4650 [Noi2016]优秀的拆分:后缀数组

    题目链接:http://www.lydsy.com/JudgeOnline/problem.php?id=4650 题意: 给你一个字符串s,问你s及其子串中,将它们拆分成"AABB&quo ...

  8. Linux课程---5、常用文件命令和目录命令(创建文件命令)

    Linux课程---5.常用文件命令和目录命令(创建文件命令) 一.总结 一句话总结: touch file1 1.管道符|有什么用? 将前一个命令的结果作为后一个命令的输入:比如查看文件前3行:ca ...

  9. 分享知识-快乐自己:三种代理(静态、JDK、CGlib 代理)

    1):代理模式(静态代理)点我下载三种模式源码 代理模式是常用设计模式的一种,我们在软件设计时常用的代理一般是指静态代理,也就是在代码中显式指定的代理. 静态代理由 业务实现类.业务代理类 两部分组成 ...

  10. AMD模块定义规范

    AMD 即Asynchronous Module Definition,中文名是“异步模块定义”的意思.它是一个在浏览器端模块化开发的规范,服务器端的规范是CommonJS.   模块将被异步加载,模 ...