- 1、本文档共18页,可阅读全部内容。
- 2、有哪些信誉好的足球投注网站(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
SVD、PCA、ICA及其在生物医学工程中的应用
SVD、PCA、ICA 及其在生物医学工程中的应用
第一部分 奇异值分解(SVD)
1.1 SVD的基本原理
m×n
令A是m ×n 的实矩阵(假设m n),表示为A ∈R ,则矩阵A 的奇异值分
解可以表示为:
Σ
⎡ ⎤ T
A U V (1)
⎢ ⎥
0
⎣ ⎦
m×m n×n
其中的U 和V 是正交矩阵,可以表示为U∈R ,V∈R 。矩阵U和V的前n
列向量分别称作矩阵A的对应于Σ的左、右奇异值向量,U和V的特点是和它自身
的转置矩阵相乘的结果为单位矩阵,称为酉矩阵。V可以理解为标准正交基“输
入”,而U可理解为标准正交基向量“输出”,Σ可理解为由非负特征值组成的“输
入”和“输出”之间的“增益控制”。
n×n
另外,Σ∈R 是一个对角阵, 其中的元素σ (i 1...n) 是矩阵A的奇异值,
i
一般情况下按照从大到小的顺序排列,也即σ ≥σ ≥⋯≥σ ≥0,从而可以唯一
1 2 n
确定Σ(但U和V不确定)。而 2 T T
σ 也是矩阵A A 和A A的特征值,定义SV = [σ ,⋯,
i n 1
σ ]为矩阵A的奇异值特征向量。奇异值分解提供了一些关于A的信息,例如非零
n
奇异值的数目(S的阶数)和A的秩相同,一旦秩r确定,那么U的前r列构成了A
的列向量空间的正交基。
1.2 研究进展
为了减少SVD的计算量或适应不同的应用,出现了一些新的SVD算法,如分块
分析、加权SVD分析等。基于分块的奇异值分解(Block-SVD)采用分块技术(如
将图像分成分成互不重叠的小块),抽取每块SVD的最大奇异值构成新的矩阵,对
新矩阵进行SVD分解。加权SVD分解在矩阵分块的时候给每个矩阵块给予不同的权
重。这些方法在图像处理,特别是大图像的效果处理有很突出的应用前景。
广义奇异值分解自从1976年提出以后,一直受到人们的关注,也获得较大的
发展。其分解定理为:设A ∈R ma ×n ,B ∈R mb ×n ,则存在正交阵U和V,以及非奇异
阵X,使得:
T
U AX D diag (α ,α ,...α ) (α ≥ 0, i 1,2,...n) (2)
A 1 2 n i
T
V BX D diag (β ,β ,...β ) (β ≥0, i 1,2,...n) (3)
B 1 2 q i
其中q min(m , n), p rank (β), β ≥β ≥β β
文档评论(0)