Machine learningMatrix Factorization
Singulær Værdi Dekomposition
Singulær Værdi Dekomposition (SVD) er en fundamental matrixfaktoriseringsmetode, der dekomponerer enhver m × n matrix A i produktet A = U Σ V^T, hvor U og V er ortogonale matricer, og Σ er en diagonalmatrix af singulære værdier. Udviklet af Gene Golub og andre i 1960'erne-1970'erne, er SVD den mest robuste metode til at analysere matrixstruktur og løse lineære systemer.
Læs hele metoden
Kun for medlemmer
Log indLog ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Golub, G. H., & Kahan, W. (1970). Calculating the singular values and pseudo-inverse of a matrix. Journal of the SIAM Series B: Numerical Analysis, 2(2), 205–224. DOI: 10.1137/0702016 ↗
- Golub, G. H., & Van Loan, C. F. (1983). Matrix computations (2nd ed.). Johns Hopkins University Press. ISBN: 0801854148
- Trefethen, L. N., & Bau, D. (1997). Numerical Linear Algebra. SIAM. DOI: 10.1137/1.9780898719574 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Singular Value Decomposition (SVD). ScholarGate. https://scholargate.app/da/numerical-methods/singular-value-decomposition
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →