矩阵三角分解,QR分解,奇异值分解
2015-02-10 17:38
232 查看
矩阵分解 (decomposition, factorization)是多半将矩阵拆解为数个三角形矩阵(triangular matrix)。 依使用目的的不同 ,可分为三种矩阵分解法:1)三角分解法 (Triangular Factorization),2)QR 分解法 (QR Factorization),3)奇异值分 解法 (Singular Value Decompostion)。 (1) 三角分解法 三角分解法是将原正方 (square) 矩阵分解成一个上三角形矩阵 或是排列(permuted) 的上三角形矩阵 和一个 下三角形矩阵,这样的分解法又称为LU分解法。它的用途主要在简化一个大矩阵的行列式值的计算过程,求 反矩阵,和求解联立方程组。不过要注意这种分解法所得到的上下三角形矩阵并非唯一,还可找到数个不同 的一对上下三角形矩阵,此两三角形矩阵相乘也会得到原矩阵。 我们举以下二个矩阵为例: 利用三角分解法可将A和B二矩阵分别拆解为上下三角形矩阵 注意B分解的矩阵得到的第一个矩阵[LB]是排列的下三角形矩阵,如果第二、三列互换,则此变成完全的下 三角形矩阵。 以MATLAB函数计算上述的LU分解法,其语法为[L,U]=lu(A),其中L代表下三角形矩阵U代表上三角形矩阵。 我们来看一个例子。 >> A = [1 2 -1, -2 -5 3; -1 -3 0]; B=[1 3 2; -2 -6 1; 2 5 7]; >> [L1,U1] = lu(A); [L2,U2] = lu(B); >> L1; U1 L1 = % 注意这个矩阵L1和之前的[LA]不相同 -0.5 1 0 1 0 0 0.5 1 1 U1 = % 注意这个矩阵U1和之前的[UA]不相同 -2 -5 3 0 -0.5 0.5 0 0 -2 >> L2; U2 L2 = % 注意这个矩阵L2和之前的[LB]不相同 -0.5 0 1 1 0 0 -1 1 0 U2 = % 注意这个矩阵U2和之前的[UB]不相同 -2 -6 1 0 -1 8 0 0 2.5 (2) QR分解法 QR分解法是将矩阵分解成一个正规正交矩阵与上三角形矩阵。正规正交矩阵Q满足条件,所以称为QR分解法与此正规正交矩阵的通用符号Q有关。 MATLAB以qr函数来执行QR分解法, 其语法为[Q,R]=qr(A),其中Q代表正规正交矩阵,而R代表上三角形矩 阵。此外,原矩阵A不必为正方矩阵;如果矩阵A大小为,则矩阵Q大小为,矩阵R大小为。 (3) 奇异值分解法 奇异值分解 (sigular value decomposition,SVD) 是另一种正交矩阵分解法;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。[U,S,V]=svd(A),其中U和V代表二个相互正交矩阵,而S代表一对角矩阵。 和QR分解法相同者, 原矩阵A不必为正方矩阵。 使用SVD分解法的用途是解最小平方误差法和数据压缩。
相关文章推荐
- 人工智能里的数学修炼 | 矩阵的花样分解:特征值分解(EVD)、相似对角化、QR分解、Schur分解、奇异值分解(SVD)的概念纠缠与详解
- 矩阵的特征值分解与奇异值分解
- 矩阵分解之奇异值分解
- 矩阵分解----奇异值分解(SVD)原理和应用
- 模式识别、推荐系统中常用的两种矩阵分解-----奇异值分解和非负矩阵分解
- 机器学习(十一)——机器学习中的矩阵方法(1)LU分解、QR分解
- 【转】矩阵的奇异值分解和特征值分解的异同
- 从高斯消元到矩阵的三角分解(LU)
- 矩阵的特征值分解与奇异值分解
- 矩阵的“特征值分解”和“奇异值分解”区别
- 矩阵的特征值分解和奇异值分解
- 矩阵分解——三角分解(Cholesky 分解)
- matlab矩阵及其基本运算—特征值分解和奇异值分解
- 将投影矩阵P利用QR分解分解出摄像机内外参数(Opencv)
- 矩阵的“特征值分解”和“奇异值分解”区别
- 矩阵分解——三角分解(二)
- 矩阵分析 特征值分解 奇异值分解 PCA
- 矩阵的“特征值分解”和“奇异值分解”区别
- 实战智能推荐系统(2)-- Funk-SVD 矩阵分解及其正则化
- 特征值分解、奇异值分解、PCA概念整理