Decomposizione ai valori singolari
La decomposizione ai valori singolari (SVD) è una tecnica fondamentale di fattorizzazione di matrici che decompone una qualsiasi matrice m × n, A, nel prodotto A = U Σ V^T, dove U e V sono matrici ortogonali e Σ è una matrice diagonale di valori singolari. Sviluppata da Gene Golub e altri negli anni '60-'70, la SVD è il metodo più robusto per analizzare la struttura matriciale e risolvere sistemi lineari.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Singular Value Decomposition (SVD). ScholarGate. https://scholargate.app/it/numerical-methods/singular-value-decomposition
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →