- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
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},{1,0,1},{0,2,0},{0,1,1}};
我想要获得 SVD(奇异值解压缩),这是代码
Matrix A = new Matrix(a);
SingularValueDecomposition s = A.svd();
Matrix U = s.getU();
Matrix S = s.getS();
Matrix V = s.getV();
Matrix K = U.times(S.times(V.inverse()));
System.out.println("A=\n" + A);
System.out.println("U=\n" + U);
System.out.println("S=\n" + S);
System.out.println("V=\n" + V);
System.out.println("K=\n" + K);
我使用了 JAMA 库,得到了这些结果
U=
0.42012156898152025 -0.07479925424066838 -0.04597243910578701
0.29948675880470416 0.20009225506128975 0.4078276625537902
0.12063481017681585 -0.27489150930195816 -0.4538001016595771
0.15756100229407313 0.3046476172068067 -0.2006466962808193
0.12063481017681585 -0.27489150930195816 -0.4538001016595771
0.2625605666874469 -0.379446871447475 0.15467425717503247
0.42012156898152014 -0.0747992542406683 -0.04597243910578692
0.42012156898152014 -0.0747992542406683 -0.04597243910578692
0.2625605666874469 -0.379446871447475 0.15467425717503247
0.31512200458814627 0.6092952344136134 -0.4012933925616386
0.29948675880470416 0.20009225506128975 0.4078276625537902
S=
4.098871971532176 0.0 0.0
0.0 2.361570801317849 0.0
0.0 0.0 1.2736686819384786
V=
0.49446664222485476 -0.6491757618976977 -0.5779909773443018
0.6458223761096932 0.7194469174866516 -0.2555574131873014
0.581735505399926 -0.24691489036406603 0.7749947346102383
但是V错了,应该是这样的
V= -0.49446664222485476 0.6491757618976977 -0.5779909773443018
-0.6458223761096932 0.7194469174866516 -0.2555574131873014
-0.581735505399926 0.24691489036406603 0.7749947346102383
这确实是一个拥抱错误,因为在 multibluein USV 之后我得到了这个 matirx,只需看看 E-16
K=
1.0000000000000013 1.0000000000000004 1.000000000000001
4.996003610813204E-16 1.0 0.9999999999999998
1.0000000000000002 -3.885780586188048E-16 8.881784197001252E-16
-1.1102230246251565E-16 1.0000000000000002 1.3877787807814457E-16
1.0000000000000002 -3.885780586188048E-16 8.881784197001252E-16
1.0000000000000004 -5.551115123125783E-16 1.0000000000000004
1.0000000000000009 1.0000000000000002 1.0000000000000007
1.0000000000000009 1.0000000000000002 1.0000000000000007
1.0000000000000004 -5.551115123125783E-16 1.0000000000000004
-2.220446049250313E-16 2.0000000000000004 2.7755575615628914E-16
4.996003610813204E-16 1.0 0.9999999999999998
请帮帮我,我该怎么办,哪里错了,JAMA错了吗?!
最佳答案
结果看起来正确。在矩阵 K 中,像 1.0000000000000013 和 4.996003610813204E-16 这样的值分别[非常接近]1 和 0。这里发生了浮点错误,这就是数字略有偏差的原因。 Matlab 也做同样的事情。
关于java SVD JAMA 错误结果,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/10615757/
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!