svd应用于系统模式 与影像简化之研究.ppt

，當待處理之方陣維度較大時，引用此法可達到運算過程之複雜度，但其上下三角形矩陣非唯一。 QR 分解法是將矩陣m n A × （假定m ≥ n ）分解成一正規正交矩陣與一上三角形矩陣。亦即 A = QR (1) 上式中Q∈?m×m 為正規正交矩陣， R∈?m×n 為上三角形矩陣，且滿足 QTQ = I 。 奇異值分解法為另一種正交矩陣分解法，基本上為一種基底變換之演算法則，廣義上而言，可視為線性濾波理論之延伸。本法則將一矩陣分解為兩個正交 矩陣與一個對角陣，表示如下： A 為一m× n 實矩陣， A =UΣV T ( 2 ) 上式中U ∈?m×m 與V ∈?n×n 皆為正交矩陣， m n 1 2 p Σ = diag(σ ,σ ,....,σ )∈? × ， p = min{m,n } 。經適度調整，Σ 之特性為0 k σ for 1 ≤ k ≤ p , 且 0 i σ = for ( p + 1) ≤ k ≤ n 。[ n p 2 1 × ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? = σ σ σ Σ 2.2 如圖1 所示，對一LTI 系統，系統轉換函數可表示為:T =[I + PG]?1PGF ； P∈? * 如圖2 所示，當系統引入去耦控制器後，相對的缺點是提高了系統的階數： [I PG( DCC )]PG( DCC )F R( s ) C( s ) = + ?1 ； P∈? * 本文中以3 個例子作影像壓縮之模擬，以2 個例子作系統模式簡化，結果顯示與說明如下 圖4-1 分別秩數為67、72、113 及45。 圖4-2 分別將秩數降為33、36、56 及25。 圖4-3 分別將秩數降為16、18、28 及15。 圖4-4 分別將秩數降為5、5、5 及5。 建國科技大學　通識教育中心 建國科大學報　工程類 民國98年，28(3)，1-18 林安裕 報告者:林維達 目錄 摘要 前言 研究方法 研究結果 結論 參考文獻 摘要 由於SVD（Singular Value Decomposition）分解之技術可將一矩陣分解成兩個正交矩陣與一個對角陣之特質，為壓縮技術領域中之一重要方法。 若色彩、明暗對比皆假定均化之簡單影像及LTI多輸入多輸出MIMO之控制系統，由文中模擬之結果，可看出利用SVD的確能達到預期之效果。 LTI：Linear Time Invariable MIMO：Multi Input Multi Output 前言 資料壓縮技術應用對象主要為針對一般數位資料、多媒體資料。 資料壓縮需求之不同，以過程之失真度來衡量概分為無失真壓縮與失真壓縮兩種。 本文擬以探討奇異值分解法SVD嘗試應用於影像與控制系統模式簡化之研究，採用失真壓縮技術。 研究方法 矩陣運算與內積空間為線性代數所探討的四大範疇中的兩個，對任一矩陣其秩數決定，是線性代數上之重要課題。 所謂矩陣之秩，可定義如下： range(A) = { y ∈ Rm : y = Ax 對某些 x ∈ Rn } rank(A) = dim( range(A) ) 若對一矩陣A，存在一行列式值不等於零之最大階數之附矩陣Mm×m ，則A 之秩數為m。 研究方法 一向量集合A = { x 1,x 2,.....,x p } 　 若滿足 x i T x j = 0 for i ≠ j 　，則稱A 為正交向量集合；若滿足 x i T x j =δ ij　　，則稱A 為正規正交向量集合 一矩陣Q，若滿足QTQ = I ，則稱Q 為正交矩陣。 研究方法 – 矩陣分解 三角分解法是將方陣分解成一個上三角形矩陣和一個下三角形矩陣，此法又稱為LU分解法。 QR分解法是將矩陣Am×n（假定m ≥ n ）分解成一正規正交矩陣與一上三角形矩陣。 亦即 A = QR －(1) 上式中Q ∈ ?m×m 為正規正交矩陣， R ∈ ?m×n 為上三角形矩陣，且滿足QTQ = I 。 研究方法 – 矩陣分解 奇異值分解法為另一種正交矩陣分解法，為一種基底變換之演算法則。本法則將一矩陣分解為兩個正交矩陣與一個對角陣，表示如下 A 為一m×n實矩陣， A =UΣVT －( 2 ) 上式中U ∈ ?m×m 與V ∈ ?n×n 皆為正交矩陣， Σ = diag(σ1,σ2,....,σp) ∈ ?m×n p = min{m,n } 。 Σ之特性為 σk 0 for 1 ≤ k ≤ p , 且 σi = 0 for ( p + 1) ≤ k ≤ n 。 研究方法 – 矩陣分解 U之行向量稱為左奇異向量，VT之