Machine learningMatrix Factorization
Singulärvärdesuppdelning
Singulärvärdesuppdelning (SVD) är en fundamental matris-faktoriseringsteknik som dekomponerar en godtycklig m × n matris A till produkten A = U Σ V^T, där U och V är ortogonala matriser och Σ är en diagonalmatris av singulärvärden. Utvecklad av Gene Golub med flera under 1960- och 1970-talen, är SVD den mest robusta metoden för att analysera matrisstruktur och lösa linjära system.
Läs hela metoden
Endast för medlemmar
Logga inLogga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Singular Value Decomposition (SVD). ScholarGate. https://scholargate.app/sv/numerical-methods/singular-value-decomposition
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →