奇异值分解(SVD) 对于任意一个m*n的实数矩阵 A,都存在m*m的正交矩阵U和n*n的正交矩阵V,以及m*n的对角矩阵 D=diag(d_1,d_2,...,d_r),使得A = UDV', 其中,d_1 >= d_2 >= ... >= d_r >= 0 称为奇异值,U和V的各列分别称为左奇异 ...
分类:
其他好文 时间:
2017-09-28 09:51:50
阅读次数:
174
转自 http://blog.csdn.net/zhongkejingwang/article/details/43053513(实在受不了CSDN的广告) 在网上看到有很多文章介绍SVD的,讲的也都不错,但是感觉还是有需要补充的,特别是关于矩阵和映射之间的对应关系。前段时间看了国外的一篇文章,叫A ...
分类:
其他好文 时间:
2017-06-16 10:11:53
阅读次数:
309
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,真心希望路过的各路朋友能从不同的角度阐述下自己对SVD实际意义的理 解,比如 个性化推荐中应用了SV ...
分类:
其他好文 时间:
2017-04-27 23:18:15
阅读次数:
329
对称阵A 相应的,其对应的映射也分解为三个映射。现在假设有x向量,用A将其变换到A的列空间中,那么首先由U'先对x做变换: 由于正交阵“ U的逆=U‘ ”,对于两个空间来讲,新空间下的“ 基E' 坐标 x' ,原空间E 坐标x ”有如下关系 EX=E'X' > X=E'X' > X'=(E'的逆)x ...
分类:
其他好文 时间:
2017-04-24 21:06:40
阅读次数:
329
在知乎上看到这个讲解,感觉很深刻。 首先,讲到矩阵的秩,几乎必然要引入矩阵的SVD分解:X=USV',U,V正交阵,S是对角阵。如果是完全SVD分解的话,那S对角线上非零元的个数就是这个矩阵的秩了(这些对角线元素叫做奇异值),还有些零元,这些零元对秩没有贡献。 有了这个前提,我们就可以用各种姿势来看 ...
分类:
其他好文 时间:
2017-03-24 14:06:08
阅读次数:
150
一、SVD奇异值分解的定义 假设是一个的矩阵,如果存在一个分解: 其中为的酉矩阵,为的半正定对角矩阵,为的共轭转置矩阵,且为的酉矩阵。这样的分解称为的奇异值分解,对角线上的元素称为奇异值,称为左奇异矩阵,称为右奇异矩阵。 二、SVD奇异值分解与特征值分解的关系 特征值分解与SVD奇异值分解的目的都是 ...
分类:
其他好文 时间:
2017-03-01 22:56:27
阅读次数:
271
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,真心希望路过的各路朋友能从不同的角度阐述下自己对SVD实际意义的理解,比如 个性化推荐中应用了SVD, ...
分类:
其他好文 时间:
2016-12-14 22:05:41
阅读次数:
322
机器学习中的矩阵方法04:SVD 分解 前面我们讲了 QR 分解有一些优良的特性,但是 QR 分解仅仅是对矩阵的行进行操作(左乘一个酉矩阵),可以得到列空间。这一小节的 SVD 分解则是将行与列同等看待,既左乘酉矩阵,又右乘酉矩阵,可以得出更有意思的信息。奇异值分解( SVD, Singular V ...
分类:
其他好文 时间:
2016-12-10 00:27:36
阅读次数:
236
把r-cnn系列总结下,让整个流程更清晰。 整个系列是从r-cnn至spp-net到fast r-cnn再到faster r-cnn。 RCNN 输入图像,使用selective search来构造proposals(大小不一,需归一化),输入到CNN网络来提取特征, 并根据特征来判断是什么物体(分 ...
分类:
其他好文 时间:
2016-11-17 20:10:57
阅读次数:
208
因项目上需要用到特征提取算法,突然想起早些时候看吴军的数学之美里有讲到SVD分解,当时就大致浏览了下,今天在这里用图像作为例子加深下印象,显示下svd特征提取、降维效果。 奇异值分解(Singular Value Decomposition)定理:设A为m*n阶复矩阵,则存在m阶酉阵U和n阶酉阵V, ...
分类:
其他好文 时间:
2016-10-19 13:54:07
阅读次数:
193