PCASVD应用分析课件.pptVIP

PCA和SVD应用分析;PCA应用分析;PCA应用分析;PCA应用分析;PCA应用分析;PCA应用分析;PCA应用分析;SVD应用分析;SVD应用分析;SVD应用分析;若矩阵A表示某产生的信号, 并且A的奇异值分解为 。定义其奇异值 的贡献率 ，若 接近于1，则该信号的主要信息包含在矩阵 所 表示的信号之中。而矩阵 表示该信号的次要信 息，一般认为是信号的噪声及误差。 ;例如，对某运动物体的坐标（x，y，z）测量5次后形成一个3*5阶的矩阵，矩阵如下： ;计算A的奇异值分解得到奇异值为 每个奇异值的贡献率 由于 十分接近于1, 而且我们一般认为对运动物体的测量由两成分组成：实际坐标值和测量误差。因此我们可以认为运动物体的实际坐标值为矩阵 。;利用奇异值分解的特点, 可以选择对图像A进行压缩处理。 若图像A的秩为r, 在无损压缩条件下, 其压缩率为 在有损压缩条件下, 将图像,A压缩成秩为k (kr)的压缩率 为 。如果图像A为256*256, 压缩后的图像A的秩 为16, 则压缩率为16/128=0.125。;下面的两幅图分别是压缩前后的效果, 压缩率为0.19。;一个文章集合可以表示为一个 阶的矩阵, 其中n表示文章集合中文章数, m表示文章集合中包含所有不同词的个数。即矩阵的每一行对应于某个词, 矩阵的每一列对应于某篇文章。 设 , 则dij表示第j篇文章中第i个词的权重值。在实 际应用中dij可以用如下公式计算 , 其中Zij表示第j篇文章中第i个词出现的频度, N为文章总数, ni表示有第i个词的文章数。;上述矩阵D建立后, 可对D进行奇异值分解, 得到 。 取U、A和V的前k列分别构成Uk、Ak和Vk, 则可以得到D的k阶近似矩阵 。隐含语义索引(LSI)技术就是用Dk近似表征矩阵D, Uk和Vk的行向量分别表示词向量和文章向量, 在此基础上进行文章分类和其它处理。隐含语义索引(LSI)技术通过奇异值分解和取k秩近似矩阵, 一方面消减了D中包含的“ 噪声”因素, 从而更加凸显出词和文章之间的语义关系；另一方面使得词、文章向量空间大大缩减, 可以提高文章分类的准确性。 因此, 我们可以通过计算Vk的各???向量之间的相似度来确定文章的分类，相似度大的文章为一类。;Thank You !