- android - 多次调用 OnPrimaryClipChangedListener
- android - 无法更新 RecyclerView 中的 TextView 字段
- android.database.CursorIndexOutOfBoundsException : Index 0 requested, 光标大小为 0
- android - 使用 AppCompat 时,我们是否需要明确指定其 UI 组件(Spinner、EditText)颜色
我正在使用奇异值分解 (SVD) 对图像进行主成分分析 (PCA)。
我有 17 张 20 X 20 的图像所以我创建了图像矩阵
M = dim(400 X 17)
当我应用 SVD ( M = u @d @ v) 它给了我
u = dim(400 X 17)
d = dim(17 X 17)
v = dim(17 X 17)
但我想找到 u = dim(400 X 400)
和 d =(400 X 400)
和 v =(400 X 17)
因为会有 400 个特征向量和 400 个特征值。
我什至尝试过转置但没有成功
我知道可能问题的标题不太清楚所以请随意更改,这里有一些与数据相关的信息
我通过减去平均脸来集中数据
我尝试通过查找协方差矩阵 (MM') 的特征向量来解决问题,但是当我尝试显示 PCA1 时它只显示黑色图像
请帮帮我
最佳答案
没有为矩形矩阵定义特征值,但奇异值是相关的。至于特征向量,您总是有一组跨越列和行空间的左右特征向量。
SVD与MM'
和M'M
M'M = V (S'S) V'
MM' = U (SS') U'
现在
V
的列是 M'M
的特征向量,在您的情况下其大小为 (17 x 17)
。因此 V
是 (17 x 17)
U
的列是 MM'
的特征向量,在您的情况下其大小为 (400 x 400)
。因此 U
是 (400 x 400)
现在 S
的大小是多少? S
的非零元素(奇异值)是 M'M
和 MM'
的非零特征值的平方根。可以看出这两个具有相同的非零特征值集,因此在第一种情况下 S
是 (17 x 17)
而在第二种情况下 (400 x 400)
。我们如何将其与我们的 SVD 是 M = USV'
的事实相协调?我们建立一个rectangular diagonal matrix (400 x 17)
对 17 个非零特征值求平方根。
您可以使用 scipy
中的 SVD:
import scipy
u, s, vh = scipy.linalg.svd(M, full_matrices=True)
print(u.shape, s.shape, vh.shape)
给
((400, 400), (17,), (17, 17))
要让您的 S
变为 (400 x 17)
:
s = np.concatenate([np.diag(s), np.zeros((400-17, 17))], axis=0)
检查 SVD 正确性:
res = u@s@vh
np.allclose(res, a)
True
有时你想用 r
的低阶 M_tilde
来近似你的矩阵 M
,在在这种情况下,如果要最小化两者之间的 Frobenius 范数,只需保留 r
最大的奇异值(Eckhart-Young 定理)。U、S、V
的大小变为:(400 x r), (r x r), (r x 17)
,其中 S
是对角线。
我不知道你使用的是哪个函数,但这是正在发生的事情:零奇异值被丢弃,因为 (m x n)
矩阵最多可以有秩 min(m, n)
(在你的例子中是 17)。
关于python - 如何使用 numpy python 更改 SVD 的顺序,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/52235314/
SciPy 和 Numpy 都内置了奇异值分解 (SVD) 函数。命令基本上是 scipy.linalg.svd 和 numpy.linalg.svd。这两者有什么区别?它们中的任何一个都比另一个更好
numpy.linalg.svd 函数给出输入矩阵的完整 svd。但是我只想要第一个奇异向量。 我想知道在 numpy 中是否有任何函数用于那个或 python 中的任何其他库? 最佳答案 一种可能是
代码: import numpy from matplotlib.mlab import PCA file_name = "store1_pca_matrix.txt" ori_data = nump
我在学习SVD通过关注这个 MIT course . 矩阵构造为 C = np.matrix([[5,5],[-1,7]]) C matrix([[ 5, 5], [-1, 7]]
很难说出这里要问什么。这个问题模棱两可、含糊不清、不完整、过于宽泛或夸夸其谈,无法以目前的形式得到合理的回答。如需帮助澄清此问题以便重新打开,visit the help center . 关闭 9
我想计算 SVD ,但我没有找到合适的 java 库。现在,我在 hashmap 中存储了数据,因为矩阵不适合内存,因为大小约为 400 000 X 10 000 并且大多数为 0。我尝试了 MTJ、
运行以下代码: from sklearn.decomposition import TruncatedSVD import numpy as np X = np.matrix('1 2 3 4 5;
给定一个实数矩阵 A 使得: A 是对称的 所有非对角线项都是已知且正的 所有对角线项都缺失 排名k 我想找到 A 的最佳可能完成,称为 Ac,这样(大约)rank(Ac)=k。 矩阵 A 可能很大(
我正在寻找一个执行维基百科中描述的奇异值分解的 Java 库:从矩阵 A (m X n) 得到 A = U*S*V' 其中 U 是 m x m,S 是 m x n,V 是n x n. 谁能帮帮我? 请
我正在尝试学习用于图像处理的 SVD...例如压缩。 我的方法:使用 ImageIO 获取图像作为 BufferedImage...获取 RGB 值并使用它们获取等效的灰度值(在 0-255 范围内)
我必须在 Matlab 中使用 SVD 来获得数据的简化版本。我读到函数 svds(X,k) 执行 SVD 并返回前 k 个特征值和特征向量。如果必须规范化数据,文档中没有提及。对于归一化,我指的是减
我已经使用 SVD 找到了两组点之间的旋转矩阵。我知道 R = Transpose(U) * V 但我不明白 U 和 V 代表什么以及为什么这种乘法会产生旋转矩阵。 最佳答案 由于您的问题是理论性的并
我正在尝试在名为“LSA 简介”的论文中复制一个示例: An introduction to LSA 在示例中,它们具有以下术语-文档矩阵: 然后他们应用 SVD 并得到以下结果: 试图复制这一点,我
我正在使用带有 R 的 SVD 包,我能够通过将最低奇异值替换为 0 来降低矩阵的维数。但是当我重新组合矩阵时,我仍然拥有相同数量的特征,我找不到如何有效地删除源矩阵中最无用的特征,以减少其列数。 例
我想编写一个函数,它使用 SVD 分解来求解方程组 ax=b,其中 a 是一个方阵,b 是一个值向量。 scipy 函数 scipy.linalg.svd() 应该将 a 转换为矩阵 U W V。对于
我在 R 中有一个稀疏矩阵,它显然太大了,无法在其上运行 as.matrix()(尽管它也不是 super 大)。有问题的 as.matrix() 调用位于 svd() 函数内部,所以我想知道是否有人
我正在尝试使用 bcv 包中的 SVD 插补,但所有插补值都是相同的(按列)。 这是缺少数据的数据集 http://pastebin.com/YS9qaUPs #load data dataMiss
我有这个数组 double a[][] = {{1,1,1}, {0,1,1} , { 1,0,0} ,{0,1,0},{1,0,0},{1,0,1},{1,1,1},{1,1,1},
我们现在知道A_(m x n) = U_(m x k) * S_(k x k) * V_(k x n)^T = u_(1) * s_1 * v_(1) + u_(2) * s_2 * v_(2) +
我必须对矩阵进行 SVD,但它有一些错误,在下面的示例中 U[1][1]、U[2][1] 和 U[2][0] 应为 0。 问题是,上面的例子只是一个测试,我必须使用条件不太好的大型矩阵,我该怎么做才能
我是一名优秀的程序员,十分优秀!