运筹系列70:pinv/inv/LU/SVD分解

article/2024/12/25 0:23:11

1. LU分解

LU分解(LU Factorization)可以将一个矩阵分解为一个单位下三角矩阵和一个上三角矩阵的乘积。LU分解非常简单,下图可以直观的看出LU分解的求解方法。
在这里插入图片描述

LU分解主要应用在数值分析中,用来解线性方程、求反矩阵或计算行列式,起源于高斯消元法,也即所谓的杜尔里特算法(Doolittle algorithm):从下至上地对矩阵A做初等行变换,将对角线左下方的元素变成零,然后再证明这些行变换的效果等同于左乘一系列单位下三角矩阵,这一系列单位下三角矩阵的乘积的逆就是L矩阵,它也是一个单位下三角矩阵。

def LU(A):U = np.copy(A)m, n = A.shapeL = np.eye(n)for k in range(n-1):for j in range(k+1,n):L[j,k] = U[j,k]/U[k,k]U[j,k:n] -= L[j,k] * U[k,k:n]return L, U

2. 特征分解与SVD分解

直观理解,当A正定时,特征分解是求 A \sqrt{A} A ,而SVD分解是求 ∣ B ∣ |B| B

奇异值分解起源于方阵的特征分解: A = Q Σ Q − 1 A = Q\Sigma Q^{-1} A=QΣQ1,通过Q变换,所有维度之间变为相互独立,A矩阵的旋转和投影效应被消除。
对于非方阵,可以用奇异值分解: B = U Σ V T B=U\Sigma V^T B=UΣVT,其中U和V都是正交阵。SVD的意义类似奇异值分解,但又有些不一样。SVD的右奇异向量(V的列向量)是 B T B B^TB BTB的特征向量,它的左奇异向量(U的列向量)是 B B T BB^T BBT的特征向量,而奇异值是这两个对称矩阵相同的非零特征值的平方根(实际上它们两个非零特征值一模一样)。
总结来说,特征值分解是针对 A A A来的,而奇异值分解是针对 B B T BB^T BBT来的(强制把非方阵变为了方阵)。奇异值计算量非常大,需要先计算 B B T BB^T BBT B T B B^TB BTB,然后用LU分解计算特征向量和特征值,N^3复杂度,规模大时计算量很大。
在这里插入图片描述

3. 逆矩阵

对于任何矩阵 A 来说,伪逆 B 都存在,是唯一的,并且具有与 A’ 相同的维度。如果 A 是方阵且非奇异,则 pinv(A) 只是一种成本比较高的计算 inv(A) 的方式。但是,如果 A 不是方阵,或者是方阵且奇异,则 inv(A) 不存在。在这些情况下,pinv(A) 拥有 inv(A) 的部分(但非全部)属性。

1、pinv 通过奇异值分解来形成 A 的伪逆。
2、inv 执行输入矩阵的 LU 分解(如果输入矩阵是 Hermitian 矩阵,则执行 LDL 分解)。然后它使用结果来形成线性方程组,其解为矩阵求逆 inv(X)。
3、如果是奇异矩阵,此时不存在逆矩阵,可用pinv(A)求其伪逆。
4、如果是非奇异矩阵,存在逆矩阵,可用inv(A),也可用pinv(A),只不过pinv(A)的计算成本较高。

A = Q Σ Q − 1 A = Q\Sigma Q^{-1} A=QΣQ1,则 A − 1 = Q ( 1 / Σ ) Q − 1 A^{-1} = Q(1/\Sigma) Q^{-1} A1=Q(1/Σ)Q1
B = U Σ V T B=U\Sigma V^T B=UΣVT,则 B − 1 = V ( 1 / Σ ) T U T B^{-1}=V(1/\Sigma)^T U^T B1=V(1/Σ)TUT


http://chatgpt.dhexx.cn/article/MiT1Jhne.shtml

相关文章

【Python之numpy库】3.np.linalg.pinv和np.linalg.inv 求逆矩阵与伪逆矩阵

inv是求矩阵A的逆矩阵,pinv是求矩阵A的伪逆矩阵 import numpy as npa np.array([[1, 0, 0],[0, 6, 0],[0, 0, 9]]) print(\n, np.linalg.inv(a)) # 求逆矩阵 print(\n, np.linalg.pinv(a)) # 求伪逆矩阵,当本身就可逆的时候,二者结果相同…

chatgpt赋能Python-python_pinv

Python pinv介绍:什么是pinv? 在机器学习和数据挖掘中,经常会处理数据矩阵的逆矩阵问题。然而,在实际操作中,我们常常遇到矩阵不可逆的情况。为此,我们需要使用伪逆矩阵(pseudo-inverse matrix…

Numpy中求矩阵的逆与伪逆(numpy.linalg.inv(),numpy.linalg.pinv()函数详解)

numpy中求矩阵的逆与伪逆 numpy中求矩阵的逆:numpy.linalg.inv() numpy中求矩阵的伪逆: numpy.linalg.pinv() numpy中求矩阵的逆(numpy.linalg.inv) 使用命令numpy.linalg.inv(Matrix) 功能 Compute the (multiplicative) inverse of a matrix. Give…

「 C++ 技巧」使用Eigen实现伪逆矩阵(pinV)

一、前言 伪逆矩阵(Moore-Penrose pseudoinverse)A定义为AVDUT,其中&#xff0c;U&#xff0c;D和V是矩阵A奇异值分解后得到的矩阵。对角矩阵D的伪逆D是非零元素取倒数之后再转置得到的。 二、执行代码 #include "funset.hpp" #include <math.h> #include <…

通过FPGA实现矩阵的伪逆pinv计算

1.问题描述: 首先对伪逆pinv进行推导,转换为逆inv的过程 2.部分程序: `timescale 1ns / 1ps // // Company: // Engineer: // // Create Date: 21:16:50 03/15/2019 // Design Name: // Module Name: inv_matrix // Project Name: // Target Devices: // To…

【C++】pinv()函数原型以及matlab中的pinv() —— 8

一、pinv()原型 函数形式&#xff1a;pinv(J, G, P)&#xff1b; 核心算法&#xff1a; 解释&#xff1a;G是正定矩阵&#xff0c;P是矩阵J的伪逆矩阵。当G为恒定常数时&#xff0c;以下等式成立&#xff1a; 函数原型&#xff1a; template<typename DerivedA, typena…

python之numpy之伪逆numpy.linalg.pinv

文章目录 解释及实现笔记伪逆在最简单的线性回归中的应用 解释及实现 记 X X X的伪逆为 p i n v ( X ) pinv(X) pinv(X)&#xff0c;则有 p i n v ( X ) ( X T X ) − 1 X T pinv(X)(X^TX)^{-1}X^T pinv(X)(XTX)−1XT&#xff0c;容易发现 p i n v ( X ) X I pinv(X)XI pin…

【C++】Eigen介绍与使用 —— 4

一、Eigen介绍 Eigen是可以用来进行线性代数、矩阵、向量操作等运算的C库&#xff0c;它里面包含了很多算法。它的License是MPL2。它支持多平台。Eigen采用源码的方式提供给用户使用&#xff0c;在使用时只需要包含Eigen的头文件即可进行使用。之所以采用这种方式&#xff0c;…

图像增强(1-灰度级变换)—内涵MATLAB源码

起篇三连问&#xff1a; 第一问&#xff1a;何为数字图像的增强&#xff1f; 个人理解&#xff0c;就是通过对图像进行平滑去噪、改变灰度级或者增强边缘&#xff0c;将我们想要的某些图像特征更明显的显现出来。这就是图像的增强&#xff0c;该过程重在对比度的拉伸。 第二问…

(数字图像处理MATLAB+Python)第五章图像增强-第一节:图像增强概述和基于灰度级变换的图像增强

文章目录 一&#xff1a;图像增强概述二&#xff1a;基于灰度级变换的图像增强&#xff08;1&#xff09;线性灰度级变换A&#xff1a;基本线性灰度级变换B&#xff1a;分段线性灰度级变换①&#xff1a;定义②&#xff1a;截取式灰度变换③&#xff1a;窗切片 &#xff08;2&a…

图像处理:灰度(级)和分辨率

1、像素点 ​像素点是最小的图像单元&#xff0c;一张图片由好多的像素点组成。如下图 可以看到上述图片尺寸是500 * 338 的&#xff0c;表示图片是由一个500 * 338的像素点矩阵构成的&#xff0c;这张图片的宽度是500个像素点的长度&#xff0c;高度是338个像素点的长度&…

数字图像处理——灰度级分层

灰度级分层的两种基本形式如下&#xff1a; 一&#xff1a;将感兴趣的范围内的灰度值显示为一个值&#xff0c;而其他灰度值显示为另一个值 二&#xff1a;将感兴趣的范围内的灰度值变亮或变暗&#xff0c;而其他灰度值保持不变 Python实现过程如下&#xff1a; 使用的图像…

灰度级形态学 - 顶帽变换和底帽变换

目录 1. 介绍 2. 代码实现 1. 介绍 顶帽变换和底帽变换就是图像的加减和开闭运算的结合 顶帽变换的公式为&#xff1a;原图 - 原图的开运算 这里结合开运算的几何图形解释来介绍顶帽变换。 因为开运算是结构元从下往上推动的过程&#xff0c;所以会删除图像灰度值相对周围高…

图像处理基础——灰度级形态学

文章目录 简介膨胀 腐蚀腐蚀膨胀 开运算 闭运算一些基本的灰度级形态学算法形态学平滑形态学梯度顶帽变换 底帽变换 灰度级形态学重建 简介 形态学只适用于Region操作 或者是二值化后的图片 需要延伸到灰度形态学才能广泛应用 拓展到灰度级形态学后 结构元的表达形式可以大致分…

灰度图像分辨率变换(灰度级)

目的&#xff1a;&#xff08;1&#xff09;对一帧8bits 128x128的灰度图像处理为1bits和3bits的128x128灰度图像。 &#xff08;2&#xff09;处理为8bits 64x64和32x32的灰度图像。 一、基本原理 一幅图像的x和y坐标及幅度可能都是连续的。为了把它转换为数字形式&#x…

matlab-图形采样及灰度级转换

目录 一、图像采样 1、实验内容 2、采样原理 3、实验程序 4&#xff0e;实验结果与分析 5&#xff0e;思考题 二、图像类型转换 1、实验内容 2&#xff0e;实验原理 3、程序 4&#xff0e;实验结果与分析 5. 思考题 一、图像采样 1、实验内容 试对任意一幅图像分…

灰度级形态学

灰度级形态学 灰度级形态学知识点&#xff1a;1、灰度化和二值化2、灰度图像是几通道图像3、灰度图和二值图的区别&#xff1a;4、像素点灰度形态学梯度 形态学只适用于区域操作 或者是二值化后的图片. 灰度级形态学知识点&#xff1a; 在图像处理中&#xff0c;用RGB三个分量&…

灰度、灰度级、分辨率、像素值相关概念

灰度、灰度级、分辨率、像素值&#xff1b; 2017年09月18日 20:01:04 以梦为马_不负韶华 阅读数&#xff1a;14346 版权声明&#xff1a;版权声明&#xff1a;本文为博主原创文章&#xff0c;未经博主允许不得转载。 https://blog.csdn.net/Strive_0902/article/details/78023…

转换为不同灰度级图像

将256级灰度图像转换为64级灰度图像、32级灰度图像等。 matlab代码: I imread(cameraman.tif); [m,n]size(I); Jzeros(m,n); for i1:mfor j1:nJ(i,j)floor(I(i,j)/32);end end Kuint8(J); subplot(131) imshow(I);title(原图);colorbar subplot(132) imshow(K,[0,7]);title(…

OpenCV黑白图像增强——灰度级切片

前言 在OpenCV中&#xff0c;在Mat中&#xff0c;表达图像的值是0到255&#xff0c;0为黑色&#xff0c;255为白色&#xff0c;而已灰度级切片对灰度图像做二值映射讲处理&#xff0c;给一个阈值&#xff0c;按这个阈值去分层&#xff0c;大于这个阈的赋一个值&#xff0c;小于…