svd

主成分分析（PCA）-最大方差解释

我阅读了PCA、SVD和LDA。这几个模型相近，却都有自己的特点。本篇打算先介绍PCA，至于他们之间的关系，只能是边学边体会了。PCA以前也叫做Principalfactoranalysis。
huang1024rui·2015-06-27 16:00

matlab中norm函数的用法

格式：n=norm(A,p)功能：norm函数可计算几种不同类型的矩阵范数,根据p的不同可得到不同的范数1、如果A为矩阵n=norm(A)《Simulink与信号处理》返回A的最大奇异值，即max(svd
残月飞雪·2015-06-25 09:07

机器学习中的数学(5)-强大的矩阵奇异值分解(SVD)及其应用

转自：http://www.cnblogs.com/LeftNotEasy/archive/2011/01/19/svd-and-applications.html前言：   上一次写了关于PCA与LDA
u014568921·2015-06-15 16:00

UFLDL教程笔记及练习答案二（预处理：主成分分析和白化）

笔记：1：首先我想推导用SVD求解PCA的合理性。      PCA原理：假设样本数据X∈Rm×n，其中m是样本数量，n是样本的维数。
Lu597203933·2015-06-09 10:00

UFLDL教程笔记及练习答案二（预处理：主成分分析和白化）

笔记：1：首先我想推导用SVD求解PCA的合理性。      PCA原理：假设样本数据X∈Rm×n，其中m是样本数量，n是样本的维数。
Lu597203933·2015-06-09 10:00

主成分分析(PCA)原理及推导

在本文中，将会很详细的解答这些问题：PCA、SVD、特征值、奇异值
Bryan__·2015-06-01 21:00

SVD奇异值分解详解

2、SVD相关数学概念1）矩阵的秩，是矩阵中线性无关
Chrisdy·2015-05-30 12:00

奇异值分解(SVD)

奇异值分解(SVD)可以对mxn的矩阵进行分解。我们希望找到一个nxn的正交方阵V、一个mxm的正交方阵U和一个mxn的矩阵∑，使得A满足式子AV=U∑。
JiaMing·2015-05-26 00:00

图像压缩（SVD方法）

原理奇异值分解在图像处理中有着重要应用。假定一幅图像有n∗n个像素，如果将这n2个数据一起传送，往往会显得数据量很大。因此我们希望能够改传送另外一些比较少的数据，在接收端利用这些数据重构原图像。假定对矩阵A进行奇异值分解，便得到A=UΣV2，其中，奇异值从小到大的顺序排列。如果从中选取k个大奇异值以及这些对应的左右奇异向量逼近原图像，便可以共使用k(2n+1)个数值取代原来的n∗n个图像数据。图像
风吹夏天·2015-05-25 16:55

图像压缩（SVD方法）

原理奇异值分解在图像处理中有着重要应用。假定一幅图像有n∗n个像素，如果将这n2个数据一起传送，往往会显得数据量很大。因此我们希望能够改传送另外一些比较少的数据，在接收端利用这些数据重构原图像。假定对矩阵A进行奇异值分解，便得到A=UΣV2，其中，奇异值从小到大的顺序排列。如果从中选取k个大奇异值以及这些对应的左右奇异向量逼近原图像，便可以共使用k(2n+1)个数值取代原来的n∗n个图像数据。图像
bluecol·2015-05-25 16:00

CF黄金野牛怎么样_CF黄金野牛属性全部一览

CF黄金野牛怎么样一、枪械基本信息1993年，由“AK之父”卡拉什尼科夫的儿子维克多·卡拉斯尼柯夫和SVD设计者儿子阿列克塞以AKS-74U为基础研制的新一代冲锋枪。
佚名·2015-05-07 09:56

CF黄金野牛怎么样_CF黄金野牛属性全部一览

CF黄金野牛怎么样一、枪械基本信息1993年，由“AK之父”卡拉什尼科夫的儿子维克多·卡拉斯尼柯夫和SVD设计者儿子阿列克塞以AKS-74U为基础研制的新一代冲锋枪。
佚名·2015-05-06 15:57

SVD在推荐系统中的应用

参考自：http://www.igvita.com/2007/01/15/svd-recommendation-system-in-ruby/其实说参考也不准确，准确地说应该是半翻译半学习笔记。
zhzhji440·2015-04-27 01:00

[置顶] SVD推荐算法（二）

SVD推荐算法（二）这次讲解的是model-based的SVD推荐算法。跟ALS推荐算法一样，都是矩阵分解的推荐算法，只不过求解的方式不同而已。 
linger2012liu·2015-04-24 20:00

[置顶] SVD推荐算法（一）

SVD推荐算法（一） 看了不少论文，总结起来用SVD做推荐主要有两种不同的方式。
linger2012liu·2015-04-24 20:00

机器学习中的数学(5)-强大的矩阵奇异值分解(SVD)及其应用

前言：   上一次写了关于PCA与LDA的文章，PCA的实现一般有两种，一种是用特征值分解去实现的，一种是用奇异值分解去实现的。在上篇文章中便是基于特征值分解的一种解释。特征值和奇异值在大部分人的印象中，往往是停留在纯粹的数学计算中。而且线性代数或者矩阵论里面，也很少讲任何跟特征值与奇异值有关的应用背景。奇异值分解是一个有着很明显的物理意义的一种方法，它可以将一个比较复杂的矩阵用更小更简单的几个子
wenyusuran·2015-04-13 14:00

从高维数据中获取低维结构——背景总…

1.视觉数据中的低维结构：局部规律，整体的对称性，重复的图样，冗余的抽样……2.PCAA为m×n矩阵，A=[a1|…|an]∈R(m×n)r(A)<SVD)，基础统计工具
Line_Yang·2015-04-08 10:06

SVD分解的并行实现

在之前的文章中，我对SVD进行了大致的了解，它在互联网高端领域中有广泛的应用，至于它的一些详细应用以后再进一步学习。
ACdreamers·2015-03-26 22:00

SVD原理及其应用导论

今天，来学习一种很重要的矩阵分解，叫做奇异值分解（SigularValueDecomposition），简称SVD。
ACdreamers·2015-03-26 22:22

SVD原理及其应用导论

今天，来学习一种很重要的矩阵分解，叫做奇异值分解（SigularValueDecomposition），简称SVD。 
ACdreamers·2015-03-26 22:00

OpenCV Using Python——基于SURF特征提取和金字塔LK光流法的单目视觉三维重建

LK光流法的单目视觉三维重建1.单目视觉三维重建问题    在前面的文章中，笔者用SIFT提取特征后用radio测试剔除了匹配中异常的特征点，然后根据匹配合格的特征点计算基础矩阵和本征矩阵，对本征矩阵SVD
shadow_guo·2015-03-16 20:00

K-SVD算法—图像解析，让你看透彻！（附代码）

举例：K-SVD最大的不同在字典更新这一步，K-SVD每次更新一个原子（即字典的一列）和其对应的稀疏系数，直到所有的原子更新完毕，重复迭代几次即可得到优化的字典和稀疏系数。
liu_guanzhang·2015-03-13 15:00

K-SVD简述——字典学习，稀疏编码，MOD与之对比（附代码）

1.k-SVDintroduction1.     K-SVDusage:Design/Learnadictionaryadaptivelytobetterfitthemodelandachievesparsesignalrepresentations.2.     MainProblem:Y=DXWhere Y∈R(n*N),D∈R(n*K),X∈R(k*N),Xisasparsematrix.
liu_guanzhang·2015-03-13 15:00

奇异值分解SVD应用——LSI

转自：http://blog.csdn.net/abcjennifer/article/details/8131087潜在语义索引（LatentSemanticIndexing）是一个严重依赖于SVD的算法
qq1987924·2015-03-09 13:00

[zz]奇异值分解(SVD) --- 线性变换几何意义

mod=space&uid=696950&do=blog&quickforward=1&id=699380PS：一直以来对SVD分解似懂非懂，此文为译文，原文以细致的分析+大量的可视化图形演示了SVD的几何意义
杰·2015-03-04 09:00

[zz]奇异值分解(SVD) --- 线性变换几何意义(英文版)

http://www.ams.org/samplings/feature-column/fcarc-svdWeRecommendaSingularValueDecompositionInthisarticle,wewillofferageometricexplanationofsingularvaluedecompositionsandlookatsomeoftheapplicationsofth
杰·2015-03-04 09:00

NMath矩阵分解的两种方式

矩阵A的奇异值分解（SVD）的形式表示为：1A=USV*其中U和V是正交的，S是对角的，和V*表示一个真正的矩阵V或一个复杂的矩阵V的条目沿对角线S的共轭转置的奇异值。接下
愤怒的小吉·2015-02-16 14:00

SVD在推荐系统中的应用与实现(c++)

主要参考论文《AGuidetoSingularValueDecompositionforCollaborativeFiltering》其实一开始是比较疑惑的，因为一开始没有查看论文，只是网上搜了一下svd
wangyuquanliuli·2015-02-16 11:00

SVD矩阵奇异值分解 && LSA潜语义分析算法 && PLSA

SVD分解SVD分解是LSA的数学基础，本文是我的LSA学习笔记的一部分，之所以单独拿出来，是因为SVD可以说是LSA的基础，要理解LSA必须了解SVD，因此将LSA笔记的SVD一节单独作为一篇文章。
zkl99999·2015-02-05 08:00

SVD的一些理解

PCA一章结束后，书中介绍了SVD，中文名为奇异值分解，全称singularvaluedecomposition，是一种针对矩阵分解的方法。
xiaoge的机器学习姬·2015-01-27 14:15

[转]机器学习中的数学(5)-强大的矩阵奇异值分解(SVD)及其应用

版权声明：   本文由LeftNotEasy发布于http://leftnoteasy.cnblogs.com,本文可以被全部的转载或者部分使用，但请注明出处，如果有问题，请联系[email protected]前言：   上一次写了关于PCA与LDA的文章，PCA的实现一般有两种，一种是用特征值分解去实现的，一种是用奇异值分解去实现的。在上篇文章中便是基于特征值分解的一种解释。特征值和奇异值
huang1024rui·2015-01-25 19:00

SVD在推荐系统中的应用详解以及算法推导

  转载请声明出处http://blog.csdn.net/zhongkejingwang/article/details/43083603  前面文章SVD原理及推导已经把SVD的过程讲的很清楚了，本文介绍如何将
zhongkejingwang·2015-01-24 10:00

奇异值分解(SVD)原理详解及推导

转载请声明出处http://blog.csdn.net/zhongkejingwang/article/details/43053513在网上看到有很多文章介绍SVD的，讲的也都不错，但是感觉还是有需要补充的
陈靖_·2015-01-23 11:21

奇异值分解(SVD)原理详解及推导

  转载请声明出处http://blog.csdn.net/zhongkejingwang/article/details/43053513  在网上看到有很多文章介绍SVD的，讲的也都不错，但是感觉还是有需要补充的
zhongkejingwang·2015-01-23 11:00

SVD奇异值分解

  版权声明：   本文由LeftNotEasy发布于http://leftnoteasy.cnblogs.com,本文可以被全部的转载或者部分使用，但请注明出处，如果有问题，请联系[email protected]前言：   上一次写了关于PCA与LDA的文章，PCA的实现一般有两种，一种是用特征值分解去实现的，一种是用奇异值分解去实现的。在上篇文章中便是基于特征值分解的一种解释。特征值和奇
sherrylml·2015-01-23 10:00

模式识别的应掌握的数学基础（转）

关于模式识别和计算机应用方向,我认为可以选择的主题(仅是己见)1.数学方面1)矩阵的各种分解.比如,LU,QR,Cholesky,SVD,Polar. 2)广义逆与子空间3)最小二乘法,特别齐性方程Ax
xinxing__8185·2015-01-19 19:00

TopicModel主题模型 - LSA（隐性语义分析）模型和其实现的早期方法SVD

http://blog.csdn.net/pipisorry/article/details/42560331传统方法向量空间模型（VSM）的缺点传统向量空间模型使用精确的词匹配，即精确匹配用户输入的词与向量空间中存在的词。由于一词多义(polysemy)和一义多词(synonymy)的存在，使得该模型无法提供给用户语义层面的检索。比如用户搜索”automobile”，即汽车，传统向量空间模型仅仅
pipisorry·2015-01-09 20:00

奇异值分解(SVD)详解

SVD分解SVD分解是LSA的数学基础，本文是我的LSA学习笔记的一部分，之所以单独拿出来，是因为SVD可以说是LSA的基础，要理解LSA必须了解SVD，因此将LSA笔记的SVD一节单独作为一篇文章。
apinetree·2015-01-08 21:51

SVD Applications: PCA and Pseudo-inverse

SVDApplications:PCAandPseudo-inverseEtharaAsfarasIamconcerned,therearetwotypicalapplicationsofSingularValueDecomposition,PrincipalComponentAnalysis(PCA)andmatrixpseudo-inverse.LetmerecapitulatetheSVDb
Ethara·2014-12-31 10:00

主成分分析(PCA)原理及推导

在本文中，将会很详细的解答这些问题：PCA、SVD、特征值、奇
zhongkejingwang·2014-12-30 12:00

【简化数据】奇异值分解(SVD)

【简化数据】奇异值分解(SVD)@author：wepon@blog：http://blog.csdn.net/u012162613/article/details/422142051、简介奇异值分解（
u012162613·2014-12-28 15:00

奇异值分解（SVD）与主成分分析（PCA）

主成分分析在上一节里面也讲了一些，这里主要谈谈如何用SVD去解PCA的问题。PCA的问题其实是一个基的变换，使得变换后的数据有着最大的方差。
SHForWork·2014-12-28 11:33

Meditation on Singular Value Decomposition

MeditationonSingularValueDecompositionEtharaSingularValueDecomposition(SVD)isconsideredasthefinalandbestfactorizationofamatrix
Ethara·2014-12-26 13:00

推荐系统之矩阵分解及C++实现

1.引言矩阵分解(MatrixFactorization,MF)是传统推荐系统最为经典的算法，思想来源于数学中的奇异值分解(SVD),但是与SVD还是有些不同，形式就可以看出SVD将原始的评分矩阵分解为
90Zeng·2014-12-25 10:00

SVD在推荐系统中的应用

线性代数相关知识：任意一个M*N的矩阵A（M行*N列，M>N），可以被写成三个矩阵的乘机：1.U：（M行M列的列正交矩阵）2.S：（M*N的对角线矩阵，矩阵元素非负）3.V：（N*N的正交矩阵的倒置）即A=U*S*V‘（注意矩阵V需要倒置）直观地说：假设我们有一个矩阵，该矩阵每一列代表一个user，每一行代表一个item。如上图，ben,tom....代表user，seasonn代表item。矩阵
wtyvhreal·2014-12-16 17:00

LDA_PCA_SVD导论

gmail.com）csdn博客：http://blog.csdn.net/u012176591资源链接 http://download.csdn.net/detail/u012176591/8257297相关源码：svd.pyimportnumpy
u012176591·2014-12-14 07:00

Latent Semantic Analysis(LSA)

对于一个term-document加权词频矩阵(如TF-IDF),如果他的规模m*n非常大，那么这些文本的存储还有计算聚类都会有不小的麻烦，LSA采用SVD分解将高维文本映射到低维的隐含语义空间，较好的解决了这个问题
u012303532·2014-12-12 10:00

SVD and PCA

MIT线性代数课程中讲过的矩阵分解有很多种，但是据我所知最重要的应该是SVD分解了，假如现在想把矩阵A行空间的正交基通过A左乘的方法变换到A列空间的正交基，有：将上式左右两边都乘以V的转置，就可以得到矩阵奇异值分解的公式
u012303532·2014-12-09 10:00

机器学习中的数学(5)-强大的矩阵奇异值分解(SVD)及其应用

版权声明：   本文由LeftNotEasy发布于http://leftnoteasy.cnblogs.com,本文可以被全部的转载或者部分使用，但请注明出处，如果有问题，请联系[email protected]前言：   上一次写了关于PCA与LDA的文章，PCA的实现一般有两种，一种是用特征值分解去实现的，一种是用奇异值分解去实现的。在上篇文章中便是基于特征值分解的一种解释。特征值和奇异值
liujianli123·2014-11-29 13:00

矩阵奇异值简要介绍

奇异值分解是一个非常，非常，非常大的话题，它的英文是SingularValueDecomposition，一般简称为SVD。
shenxiaoming77·2014-11-26 10:00
上一页 37 38 39 40 41 42 43 44 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他