svd分解c代码(SVD分解例题)
admin 发布:2022-12-19 20:33 148
今天给各位分享svd分解c代码的知识,其中也会对SVD分解例题进行解释,如果能碰巧解决你现在面临的问题,别忘了关注本站,现在开始吧!
本文目录一览:
- 1、svd分解 c语言实现
- 2、MATLAB中SVD奇异值分解是什么作用
- 3、Python中怎样实现奇异值SVD分解
- 4、奇异值分解(SVD)
- 5、matlab 复数矩阵矩阵奇异值分解
- 6、求SVD算法的C++实现代码
svd分解 c语言实现
/*
本程序在linux g++下编译通过
bool svd(vectorvectordouble A, int K, vectorvectordouble U, vectordouble S, vectorvectordouble V);
A: 输入待分解矩阵
K: 输入,取前K大奇异值及奇异向量
U[0],U[1],...,U[K-1]: 前K大奇异值对应的左奇异向量
S[0],S[1],...,S[K-1]: 前K大奇异值 S[0]=S[1]=...=S[K-1]
V[0],V[1],...,V[K-1]: 前K大奇异值对应的右奇异向量
*/
#include cmath
#include iostream
#include iomanip
#include cstdlib
#include cstring
#include fstream
#include vector
using namespace std;
const int MAX_ITER=100000;
const double eps=0.0000001;
double get_norm(double *x, int n){
double r=0;
for(int i=0;in;i++)
r+=x[i]*x[i];
return sqrt(r);
}
double normalize(double *x, int n){
double r=get_norm(x,n);
if(reps)
return 0;
for(int i=0;in;i++)
x[i]/=r;
return r;
}
inline double product(double*a, double *b,int n){
double r=0;
for(int i=0;in;i++)
r+=a[i]*b[i];
return r;
}
void orth(double *a, double *b, int n){//|a|=1
double r=product(a,b,n);
for(int i=0;in;i++)
b[i]-=r*a[i];
}
bool svd(vectorvectordouble A, int K, vectorvectordouble U, vectordouble S, vectorvectordouble V){
int M=A.size();
int N=A[0].size();
U.clear();
V.clear();
S.clear();
S.resize(K,0);
U.resize(K);
for(int i=0;iK;i++)
U[i].resize(M,0);
V.resize(K);
for(int i=0;iK;i++)
V[i].resize(N,0);
srand(time(0));
double *left_vector=new double[M];
double *next_left_vector=new double[M];
double *right_vector=new double[N];
double *next_right_vector=new double[N];
int col=0;
for(int col=0;colK;col++){
double diff=1;
double r=-1;
while(1){
for(int i=0;iM;i++)
left_vector[i]= (float)rand() / RAND_MAX;
if(normalize(left_vector, M)eps)
break;
}
for(int iter=0;diff=eps iterMAX_ITER;iter++){
memset(next_left_vector,0,sizeof(double)*M);
memset(next_right_vector,0,sizeof(double)*N);
for(int i=0;iM;i++)
for(int j=0;jN;j++)
next_right_vector[j]+=left_vector[i]*A[i][j];
r=normalize(next_right_vector,N);
if(reps) break;
for(int i=0;icol;i++)
orth(V[i][0],next_right_vector,N);
normalize(next_right_vector,N);
for(int i=0;iM;i++)
for(int j=0;jN;j++)
next_left_vector[i]+=next_right_vector[j]*A[i][j];
r=normalize(next_left_vector,M);
if(reps) break;
for(int i=0;icol;i++)
orth(U[i][0],next_left_vector,M);
normalize(next_left_vector,M);
diff=0;
for(int i=0;iM;i++){
double d=next_left_vector[i]-left_vector[i];
diff+=d*d;
}
memcpy(left_vector,next_left_vector,sizeof(double)*M);
memcpy(right_vector,next_right_vector,sizeof(double)*N);
}
if(r=eps){
S[col]=r;
memcpy((char *)U[col][0],left_vector,sizeof(double)*M);
memcpy((char *)V[col][0],right_vector,sizeof(double)*N);
}else{
coutrendl;
break;
}
}
delete [] next_left_vector;
delete [] next_right_vector;
delete [] left_vector;
delete [] right_vector;
return true;
}
void print(vectorvectordouble A){
}
int main(){
int m=10;
int n=8;
int k=5;
//分解一个10*8的矩阵A,求其前5个奇异值和奇异向量
srand(time(0));
vectorvectordouble A;
A.resize(m);
for(int i=0;im;i++){
A[i].resize(n);
for(int j=0;jn;j++)
A[i][j]=(float)rand()/RAND_MAX-0.5;
}
cout"A="endl;
for(int i=0;iA.size();i++){
for(int j=0;jA[i].size();j++){
coutsetw(12)A[i][j]' ';
}
coutendl;
}
coutendl;
vectorvectordouble U;
vectordouble S;
vectorvectordouble V;
svd(A,k,U,S,V);
cout"U="endl;
for(int i=0;iU[0].size();i++){
for(int j=0;jU.size();j++){
coutsetw(12)U[j][i]' ';
}
coutendl;
}
coutendl;
cout"S="endl;
for(int i=0;iS.size();i++){
coutsetw(7)S[i]' ';
}
coutendl;
cout"V="endl;
for(int i=0;iV[0].size();i++){
for(int j=0;jV.size();j++){
coutsetw(12)V[j][i]' ';
}
coutendl;
}
return 0;
}
MATLAB中SVD奇异值分解是什么作用
答案1:: 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
答案2:: 奇异值分解是线性代数中一种重要的矩阵分解,在信号处
啊?答案3:: [U,S,V]=svd(A)奇异值分解,就是要把矩阵A分解成
U*S*V' (V'代表V转置).其中U S是正交矩阵(复数域对应为酉矩阵)
奇异值分解可以用来求矩阵的逆,数据压缩等等,不过具体的用法不
是几句话就能说清楚的。总之,奇异值分解特别重要。
:::::::::::::::::::请参考以下相关问题::::::::::::::::::::
求matlab中的矩阵的奇异值分解(SVD)程序
:::::::::::::::::::请参考以下相关问题::::::::::::::::::::
最近在翻译matlab代码为VC代码,遇到SVD奇异值分解卡住了。
:::::::::::::::::::请参考以下相关问题::::::::::::::::::::
:::::::::::::::::::请参考以下相关问题:::::::::::::::::::::::::::::::::::::::请参考以下相关问题::::::::::::::::::::
Python中怎样实现奇异值SVD分解
这两个命令是完全不同的呀。
S=svd(A)表示对矩阵A进行SVD分解,分解的结果是得到3个矩阵,如果返回值只有一个,那么可以得到A的奇异值向量。
eig(A)表示求矩阵A的特征值。
所以区别就是,svd得到的是A的奇异值,eig得到的是A的特征值。
A'表示A的转置矩阵,A'*A的n个非负特征值的平方根叫作矩阵A的奇异值。记为σi(A)。
希望可以帮助你,望采纳!
奇异值分解(SVD)
奇异值分解(SVD)是一种矩阵因子分解方法。任意一个m*n的矩阵,都可以表示为三个矩阵的乘积(因子分解)的形式,分别是m阶正交矩阵、由降序排列的非负的对角线元素组成的m*n矩阵和n阶正交矩阵,称为该矩阵的奇异值分解。矩阵的奇异值分解一定存在,但不唯一。奇异值分解可以看作出矩阵数据压缩的一种方法。即用因子分解的方式近似地表示原始矩阵,这种矩阵在平方损失意义下的最优近似。
矩阵的奇异值分解是指,将一个非零的m*n实矩阵 ,表示为以下三个实矩阵乘积形式的运算,即进行矩阵的因子分解
其中U是m阶正交矩阵,V是n阶正交矩阵, 是由降序排列的非负的对角元素组成的 的矩形对角矩阵
称为矩阵的奇异值分解, 称为矩阵A的奇异值, 的列向量称为左奇异向量, 的列向量成为右奇异向量
紧凑奇异值分解是与原始矩阵等秩的奇异值分解,截断奇异值分解是比原始矩阵降低秩的奇异值分解。在实际应用中,常常需要对矩阵的数据进行压缩,将其近似表示,奇异值分解提供了一种方法。奇异值分解是在平方损失意义下对矩阵的最优近似。紧奇异值分解对应着无损压缩,截断奇异值分解对应着有损压缩
设有 实矩阵A,其秩为rank(A) = r, ,则称 为A的紧奇异值分解,即
其中 是 矩阵, 是 矩阵, 是r阶对角矩阵,矩阵 由完全奇异分解中的前r列,矩阵 由V的前r列,矩阵 由 的前r个对角线元素得到,紧奇分解的对角矩阵 的秩与原始矩阵A的秩相等
在矩阵的奇异值分解中,只取最大的k个奇异值(k r,r为矩阵的秩)对应的部分,就得到矩阵的截断奇异值分解。实际应用中提到的矩阵的奇异值分解,通常指截断奇异值分解
设A为 实矩阵,其秩rank(A)=r,且, ,则称 为矩阵A的截断奇异值分解
其中 是 矩阵, 是n*k矩阵, 是k阶对角矩阵;矩阵 由完全奇异分解U的前k列,矩阵 由V的前k列,矩阵 由 的前k个对角线元素得到。对角矩阵 的秩比原始矩阵A的秩低。
从线性变换的角度理解奇异值分解, 矩阵A表示从n维空间 到m空间 的一个线性变换,
x和Ax分别表示各自空间的向量。线性变换可以分解为三个简单的变换:一个坐标系的旋转或反射变换、一个坐标轴的缩放变换、另一个坐标系的旋转或反射。
对矩阵A进行奇异值分解,得到 ,V和U都是正交矩阵,所以V的列向量 构成空间的一组标准正交基,表示 中的正交坐标系的旋转或反射;U的列向量 构成 空间的一组标准正交基,表示 中正交坐标系的旋转或反射; 的对角元素 是一组非负实数,表示 中原始正坐标系坐标轴的 倍的缩放变换。
任意一个向量 ,经过基于 的线性变换,等价于经过坐标系的旋转或反射变换 ,坐标轴的缩放变换 ,以及坐标轴的旋转或反射变换U,得到相框
矩阵A是 的正交实矩阵,则矩阵 是n阶实对称矩阵,因而 的特征值都是实数,并且存在一个n阶正实矩阵V实现 的对角化,使得 成立,其中 是n阶对角矩阵,其对角元素由 的特征值组成。
而且, 的特征值都是非负的。事实上,令 是 的一个特征值,x是对应的特征向量,则
于是
可以假设正交矩阵V的列排列使得对应的特征值形成降序排列。
计算特征值的平方根(实际上解释矩阵A的奇异值)
设矩阵A的秩是r,rank(A)=r,则矩阵 的秩也是r。由于 是对称矩阵,它的秩等于正的特征值的个数。
对应的
令
其中 为 的特征值对应的特征向量, 为0特征值对应的特征向量。
则
这就是矩阵A的奇异值分解中的n阶正交矩阵V
令
则 是个一个r阶对角矩阵,其对角线元素为按降序排列的正的 ,于是 矩形对角矩阵 可以表示为
这就是矩阵A的奇异值分解中的 矩阵对角矩阵
接着构造m阶正交实矩阵U
令
则有
的列向量构成正交基是因为
对 的非零空间的一组标准正交基 ,令
并令
matlab 复数矩阵矩阵奇异值分解
不论实矩阵或是虚矩阵,奇异值分解的结果都是非负的、实数的奇异值,如:
a=magic(5);b=svd(a)
c=rand(5);d=a+1i*c;e=svd(d)
结果是:
b =
65.0000
22.5471
21.6874
13.4036
11.9008
e =
65.0554
22.5819
21.6764
13.4087
11.8961
求SVD算法的C++实现代码
/** C++ function for SVD
函数原型:
bool svd(vectorvectordouble A, int K, std::vectorstd::vectordouble U, std::vectordouble S, std::vectorstd::vectordouble V);
其中
A是输入矩阵,假设A的维数是m*n,那么本函数将A分解为U diag(S) V'
其中U是m*K的列正交的矩阵. V是n*K的列正交矩阵,S是K维向量。K由第二个参数指定。
U的第i列是A的第i大奇异值对应的左歧义向量,S[i]=A的第 i大奇异值,V的第i列是A的第i大奇异值对应的右歧义响亮.
K是需要分解的rank,0K=min(m,n)
本程序采用的是最基本幂迭代算法,在linux g++下编译通过
**/
#include cmath
#include iostream
#include iomanip
#include cstdlib
#include cstring
#include fstream
#include vector
using namespace std;
const int MAX_ITER=100000;
const double eps=0.0000001;
double get_norm(double *x, int n){
double r=0;
for(int i=0;in;i++)
r+=x[i]*x[i];
return sqrt(r);
}
double normalize(double *x, int n){
double r=get_norm(x,n);
if(reps)
return 0;
for(int i=0;in;i++)
x[i]/=r;
return r;
}
inline double product(double*a, double *b,int n){
double r=0;
for(int i=0;in;i++)
r+=a[i]*b[i];
return r;
}
void orth(double *a, double *b, int n){//|a|=1
double r=product(a,b,n);
for(int i=0;in;i++)
b[i]-=r*a[i];
}
bool svd(vectorvectordouble A, int K, std::vectorstd::vectordouble U, std::vectordouble S, std::vectorstd::vectordouble V){
int M=A.size();
int N=A[0].size();
U.clear();
V.clear();
S.clear();
S.resize(K,0);
U.resize(K);
for(int i=0;iK;i++)
U[i].resize(M,0);
V.resize(K);
for(int i=0;iK;i++)
V[i].resize(N,0);
srand(time(0));
double *left_vector=new double[M];
double *next_left_vector=new double[M];
double *right_vector=new double[N];
double *next_right_vector=new double[N];
while(1){
for(int i=0;iM;i++)
left_vector[i]= (float)rand() / RAND_MAX;
if(normalize(left_vector, M)eps)
break;
}
int col=0;
for(int col=0;colK;col++){
double diff=1;
double r=-1;
for(int iter=0;diff=eps iterMAX_ITER;iter++){
memset(next_left_vector,0,sizeof(double)*M);
memset(next_right_vector,0,sizeof(double)*N);
for(int i=0;iM;i++)
for(int j=0;jN;j++)
next_right_vector[j]+=left_vector[i]*A[i][j];
r=normalize(next_right_vector,N);
if(reps) break;
for(int i=0;icol;i++)
orth(V[i][0],next_right_vector,N);
normalize(next_right_vector,N);
for(int i=0;iM;i++)
for(int j=0;jN;j++)
next_left_vector[i]+=next_right_vector[j]*A[i][j];
r=normalize(next_left_vector,M);
if(reps) break;
for(int i=0;icol;i++)
orth(U[i][0],next_left_vector,M);
normalize(next_left_vector,M);
diff=0;
for(int i=0;iM;i++){
double d=next_left_vector[i]-left_vector[i];
diff+=d*d;
}
memcpy(left_vector,next_left_vector,sizeof(double)*M);
memcpy(right_vector,next_right_vector,sizeof(double)*N);
}
if(r=eps){
S[col]=r;
memcpy((char *)U[col][0],left_vector,sizeof(double)*M);
memcpy((char *)V[col][0],right_vector,sizeof(double)*N);
}else
break;
}
delete [] next_left_vector;
delete [] next_right_vector;
delete [] left_vector;
delete [] right_vector;
return true;
}
void print(vectorvectordouble A){
for(int i=0;iA.size();i++){
for(int j=0;jA[i].size();j++){
coutsetprecision(3)A[i][j]' ';
}
coutendl;
}
}
int main(){
int m=10;
int n=5;
srand(time(0));
vectorvectordouble A;
A.resize(m);
for(int i=0;im;i++){
A[i].resize(n);
for(int j=0;jn;j++)
A[i][j]=(float)rand()/RAND_MAX;
}
print(A);
coutendl;
vectorvectordouble U;
vectordouble S;
vectorvectordouble V;
svd(A,2,U,S,V);
cout"U="endl;
print(U);
coutendl;
cout"S="endl;
for(int i=0;iS.size();i++){
coutS[i]' ';
}
coutendl;
cout"V="endl;
print(V);
return 0;
}
关于svd分解c代码和SVD分解例题的介绍到此就结束了,不知道你从中找到你需要的信息了吗 ?如果你还想了解更多这方面的信息,记得收藏关注本站。
版权说明:如非注明,本站文章均为 AH站长 原创,转载请注明出处和附带本文链接;
相关推荐
- 05-09网页代码,网页代码快捷键
- 05-06单页网站的代码(完整的网页代码)[20240506更新]
- 05-06个人主页图片代码(个人主页图片代码怎么弄)[20240506更新]
- 05-06提取微信名片代码(微信名片信息提取)[20240506更新]
- 05-06php后台权限管理代码(php管理员权限)[20240506更新]
- 05-06付费观看代码php(付费观看代码)[20240506更新]
- 05-06在线html执行代码(html怎么运行)[20240506更新]
- 05-06源代码管理资源管理器(资源管理器运行代码)[20240506更新]
- 05-06代码源软件库(程序代码库)[20240506更新]
- 05-06点击弹出密码代码(点击弹出密码代码错误)[20240506更新]
取消回复欢迎 你 发表评论:
- 标签列表
- 最近发表
- 友情链接