Machine learningMatrix Factorization
Singulærverdidekomposisjon
Singulærverdidekomposisjon (SVD) er en fundamental matrisefaktoriseringsteknikk som dekomponerer enhver m × n matrise A til produktet A = U Σ V^T, der U og V er ortogonale matriser og Σ er en diagonalmatrise av singulærverdier. Utviklet av Gene Golub og andre på 1960- og 1970-tallet, er SVD den mest robuste metoden for å analysere matrisestruktur og løse lineære systemer.
Les hele metoden
Kun for medlemmer
Logg innLogg inn med en gratis konto for å lese denne delen.
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 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 3). Singular Value Decomposition (SVD). ScholarGate. https://scholargate.app/no/numerical-methods/singular-value-decomposition
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →