gemm() 与 gesvd() 到矩阵求逆（inverse）(根据 SVD 分解和矩阵乘法求矩阵的逆)

最新推荐文章于 2022-11-14 18:41:40 发布
转载 最新推荐文章于 2022-11-14 18:41:40 发布 · 340 阅读 · 0 ·
本内容遵循CC 4.0 BY-SA版权协议
原文链接：http://www.cnblogs.com/mtcnn/p/9421329.html
本文介绍如何通过SVD分解求解可逆方阵的逆矩阵。利用正交矩阵V和U以及对角矩阵S, 可逆方阵A可以表示为其SVD分解形式A⋅V=U⋅S。文章详细解释了如何从SVD分解得到矩阵的逆。

可逆方阵 A 的逆记为，A−1，需满足 AA−1=I。

在 BLAS 的各种实现中，一般都不会直接给出 matrix inverse 的直接实现，其实矩阵（方阵）的逆是可以通过 gemm()和gesvd()操作得到。

实值可逆方阵 A，其 SVD 分解如下：

A⋅V=U⋅S

其中：

  • V,U 均为正交矩阵，

    {VVT=IUUT=I⇒{V−1=VTU−1=UT

  • S 为对角矩阵；

    • 因为 A 是可逆的，根据 SVD 的定义，S 的对角元素均是正数；

所以有：

A⋅V⋅S−1⋅U−1=I⇒A⋅V⋅S−1⋅UT=I

也即：

A−1=V⋅S−1⋅UT

references

转载于:https://www.cnblogs.com/mtcnn/p/9421329.html

矩阵分解 SVD分解
billbliss的专栏
11-20 2万+
1.前言 一般提到特征值分解(eigenvalue decomposition)或者奇异值分解(singular value decomposition)，大多数同学脑海里的第一反应就是一大堆矩阵以及数学计算方法。确实，学校学习阶段，不管是学线性代数或者矩阵分析，对于这部分内容，或者说绝大部分内容，老师一上来都是吧啦吧啦给你一堆定理推论或者公理，然后就是哗啦哗啦一堆公式出来，告诉你怎么计算。
矩阵违逆的求法
qq_29468403的博客
04-03 1393
① 直接求解： 求导，令导数为0，结果如下: InvA=(ATA)-1AT % 直接求伪逆 InvA = inv(A'*A)*A';   ② SVD求解 %% SVD分解求伪逆 % 原理和公式：1. SVD分解得到的矩阵:U和V是正交阵，S是对角阵 % 2. 正交阵的逆=转置 % 3. 对角阵的逆=非...
机器学习：奇异值分解（SVD）详细讲解
Hanze的博客
11-14 3974
对于矩阵为高纬的情况下，那么这个矩阵就是高维空间下的一个线性变换，可以想像，这个变化也同样有很多的变换方向，我们通过特征值分解得到的前N个特征向量，那就对应了这个矩阵最主要的N个变化方向，我们利用这前N个变化方向，就可以近似这个矩阵（变换）。是一个对角矩阵，每一个对角线元素就是一个特征值，里面的特征值有大到小排列，这些特征值所对应的特征向量就是描述这个矩阵变化方向，（从主要的变化到次要的变化排序）。一个矩阵其实就是一个线性变换，因为一个矩阵乘以一个向量后得到的向量，其实就相当于将这个向量进行了线性变换。
使用SVD求取矩阵的伪逆
TSINGHUAJOKING
11-24 7448
  ➤01 矩阵的SVD分解 对于矩阵A∈Rn×mA \in R_{n \times m}A∈Rn×m​，可以通过奇异值分解（Singular Vector Decomposite）分解成如下形式：A=UWVTA = UWV^TA=UWVT 其中： AAT=U(Dr2000)m×mUTAA^T = U\left( \begin{matrix} {D_r^2 } & 0\\0 & 0\\\end{matrix} \right)_{m \times m} U^TAAT
求伪逆的三种方法：直接，SVD，QR及具体的应用
蜗牛
12-28 4万+
最近在做波达方向的估计的研究，其中涉及到了奇异矩阵的逆，直接通过matlab中的pinv（）和inv（）计算得到的结果误差较大，于是就诞生了这篇文章，当然，全文并非全部原创。奇异矩阵的求逆主要有三种方法：直接求解；SVD分解；QR分解，下面分别看看这三种方法的具体实现。并附上自己解决的问题，仅供大家参考。 ① 直接求解： 求导，令导数为0，结果如下: InvA=(ATA)-1AT
特征值+SVD分解+伪逆（广义逆）
ResumeProject的博客
07-21 2714
An,n有分解Ax=λx使用det(λI−A)=0求λA_{n,n}有分解Ax=\lambda x\\ 使用det(\lambda I-A)=0求 \lambda An,n​有分解Ax=λx使用det(λI−A)=0求λ 几何重数(特征值的特征子空间的维数)≤代数重数(根的重数)特征值和为迹，积为det（利用多项式根与系数的关系）几何重数(特征值的特征子空间的维数)\leq 代数重数(根的重数)\\ 特征值和为迹，积为det（利用多项式根与系数的关系）几何重数(特征值的特征子空间的维数)≤代数重数(根的重数
fortran使用MKL函数库中的gesvd求矩阵的SVD分解
chd_lkl的博客
08-14 3200
下面的代码是使用MKl函数库中的gesvd进行矩阵的svd分解 运行环境: win10 + vs2013 + ivf2013 代码如下： program svd use lapack95 implicit none integer :: i, m, n real, allocatable :: A(:,:), U...
CUDA cusolverDn＜t＞gesvd()函数认知
不正道的博客
10-28 2155
使用cuSOLVER库做SVD分解
fortran基于svd分解求解广义逆矩阵
chd_lkl的博客
08-14 2673
fortran的MKl函数库中好像没有求解广义逆矩阵的sub 本篇文章给出基于svd分解求广义逆矩阵的示例代码 program pinv use lapack95 implicit none integer :: i, m, n real, allocatable :: A(:,:), U(:,:), S(:,:...
奇异值分解（SVD）原理
ancy的博客
12-25 756
转于：https://blog.csdn.net/u013108511/article/details/79016939   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矩阵的相乘来表示，这些小矩阵描述的是矩阵的重要的特性。就像是描述一个人一样，给别人描述说这个人长得浓眉大眼，方脸，络腮胡，而且带个黑框的眼镜，这样寥寥的几个特征，就让别人脑海里面...
矩阵特征分解(svd)介绍及雅克比(Jacobi)方法实现特征值和特征向量的求解(C++/OpenCV/Eigen)
04-18 1万+
对角矩阵(diagonal matrix)：只在主对角线上含有非零元素，其它位置都是零，对角线上的元素可以为0或其它值。形式上，矩阵D是对角矩阵，当且仅当对于所有的i≠j, Di,j= 0. 单位矩阵就是对角矩阵，对角元素全部是1。我们用diag(v)表示一个对角元素由向量v中元素给定的对角方阵。对角矩阵受到关注的部分原因是对角矩阵的乘法计算很高效。计算乘法diag(v)x，我们只需要将x中...
LAPACK 求矩阵的逆
ColdCode's Hello World~
11-14 3975
original source: http://stackoverflow.com/questions/3519959/computing-the-inverse-of-a-matrix-using-lapack-in-c Function: inv(A) C++ Code (Edited): #include #include // pre install : //
C++SVD分解求伪逆 （Eigen库）（附C++代码）
koko_TT的博客
03-28 8004
SVD求解矩阵伪逆过程 首先对矩阵A进行SVD分解得到U, D, V三个矩阵，其中D为列矩阵，是从上到下，由大到小排列的A矩阵的奇异值。 若D矩阵中元素个数为n则原矩阵有n个奇异值，构建大小为V.cols() * U.cols()的S矩阵，其中S矩阵的前n个对角线的各元素为各奇异值，即D矩阵各元素的倒数。需注意D矩阵元素非负， 且是由大到小的顺序进行取倒数。 最后利用公式构建A矩阵的伪...
计算某个矩阵的SVD分解与伪逆的
ResumeProject的博客
08-01 1445
A=[32223−2]A=\begin{bmatrix}3&2&2\\2&3&-2\end{bmatrix}A=[32​23​2−2​] (1)计算ATA的特征值λ1,λ2,λ3(λ1≥λ2≥λ3)和对应的特征向量v1,v2,v3，要求使得∣∣vi∣∣=1且第一个坐标非负，i=1,2,3(1) 计算 A^TA 的特征值 λ_1,λ_2,λ_3(λ_1 ≥ λ_2 ≥ λ_3) 和对应的特征向量v_1,v_2,v_3，要求使得 ||v_i|| = 1 且第一个坐标非负，i =
利用逆矩阵解线性方程组_（非）线性方程组求解库大全
weixin_39813200的博客
11-21 1657
问题：求解线性方程组 Ax=b.Matlab 中提供了方程的求解方法：x=A\b (\ 反除法符号)最简单的问题，一群兔子和鸭子，一共有40条腿，20张嘴，问兔子鸭子各多少只，两个变量，两个方程组成一个简单的线性方程组：4*x+2*y =40x+y =20在Matlab中输入:>>A = 4 2 1 1>> b=[40, 15]...
奇异值分解(SVD)原理详解及推导
热门推荐
学无常师，负笈不远险阻
01-23 37万+
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，特别是关于矩阵和映射之间的对应关系。前段时间看了国外的一篇文章，叫A Singularly Valuable Decomposition The SVD of a Matrix，觉得分析的特别好，把矩阵和空间关系对应了起来。本文就参考了该文并结合矩阵的相关知识把SVD原理梳理一下。 SVD不仅是一个数学问题，在工程应用中的很多地方都有它的身影，比如前面讲的PCA，掌握了SVD原理后再去看PCA那是相当简单的，在推荐系统方面，SV
数值分析：矩阵求逆-奇异性、条件数
皮皮blog
08-18 3万+
http://blog.csdn.net/pipisorry/article/details/52241141本blog主要内容有：矩阵的奇异性、条件数与病态矩阵、矩阵求逆。奇异矩阵和非奇异矩阵singular matrix&nonsingular matrix概念和定义若n阶矩阵A的行列式不为零，即 |A|≠0，则称A为非奇异矩阵或满秩矩阵，否则称A为奇异矩阵或降秩矩阵。奇异矩阵是线性代数的概念
SVD的应用举例与矩阵求伪逆
白马负金羁
08-18 1万+
奇异值分解SVD无论是在理论、在计算都有很多实际的用途，特别地，在机器学习中SVD亦有重要应用。本文主要结合一些具体的例子来讨论SVD的一些应用，并引出关于矩阵求伪逆的概念
使用lapack库求逆矩阵
Giselite的专栏
06-18 1万+
本文讲解使用lapack求逆矩阵的方法。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值