matlab SVD分解的相关解释·

 

使用SVD技术的过程是：
（1）对给定集进行奇异值分解，得到奇异矩阵S。
（2）将奇异值居矩阵S中最小的几个值置为0，并将U和V中对应的行和列都置为0；
（3）得到经过特征缩减的新数据集X'=U*S*V。格式 s = svd (X) %返回矩阵X 的奇异值向量

 

好奇与两者分解的有效性，所以在此记录一下~ 
[U,S,V] = svd (X) %返回一个与X 同大小的对角矩阵S，两个正交矩阵U 和V，
且满足= U*S*V'。若A 为m×n 阵，则U 为m×m 阵，V为n×n 阵。奇异值在S 的对角线上，非负且按降序排列。

[U,S,V] = svd (X,0) %得到一个“有效大小”的分解，只计算出矩阵U 的前n
列，矩阵S 的大小为n×n。 结果中 s 矩阵表示的是奇异值，代表了原矩阵的特性，这样做，可以对数据降维，保留数据特性的基础上做降维，方便做一些特征对比处理，减小计算量，提高匹配精度。

转自： http://www.zdh1909.com/html/matlab/10115.html