Szinguláris érték felbontás Singular Value Decomposition

Hasonló dokumentumok
Szinguláris értékek. Wettl Ferenc április 12. Wettl Ferenc Szinguláris értékek április / 35

Szinguláris értékek. Wettl Ferenc április 3. Wettl Ferenc Szinguláris értékek április 3. 1 / 28

Vektorterek. =a gyakorlatokon megoldásra ajánlott

Kvadratikus alakok és euklideszi terek (előadásvázlat, október 5.) Maróti Miklós, Kátai-Urbán Kamilla

Saj at ert ek-probl em ak febru ar 26.

Principal Component Analysis

Vektorok, mátrixok, lineáris egyenletrendszerek

7. gyakorlat megoldásai

1. Az euklideszi terek geometriája

Alkalmazott algebra - SVD

Feladatok a Gazdasági matematika II. tárgy gyakorlataihoz

LINEÁRIS ALGEBRA. matematika alapszak. Euklideszi terek. SZTE Bolyai Intézet, őszi félév. Euklideszi terek LINEÁRIS ALGEBRA 1 / 40

1. Bázistranszformáció

Összeállította: dr. Leitold Adrien egyetemi docens

Sajátértékek és sajátvektorok. mf1n1a06- mf1n2a06 Csabai István

II. Két speciális Fibonacci sorozat, szinguláris elemek, természetes indexelés

Miért fontos számunkra az előző gyakorlaton tárgyalt lineáris algebrai ismeretek

Példa keresztmetszet másodrendű nyomatékainak számítására

Saj at ert ek-probl em ak febru ar 22.

Szalai Péter. April 17, Szalai Péter April 17, / 36

9. Előadás. (9. előadás) Lineáris egyr.(3.), Sajátérték április / 35

Lineáris algebra. =0 iє{1,,n}

Lineáris leképezések. 2. Lineáris-e az f : R 2 R 2 f(x, y) = (x + y, x 2 )

10. Előadás. Megyesi László: Lineáris algebra, oldal. 10. előadás Sajátérték, Kvadaratikus alak

1. Diagonalizálás. A Hom(V) diagonalizálható, ha van olyan bázis, amelyben A mátrixa diagonális. A diagonalizálható van sajátvektorokból álló bázis.

Lin.Alg.Zh.1 feladatok

1. Mit jelent az, hogy egy W R n részhalmaz altér?

Lineáris algebra gyakorlat

A KroneckerCapelli-tételb l következik, hogy egy Bx = 0 homogén lineáris egyenletrendszernek

Lineáris algebra mérnököknek

Keresztmetszet másodrendű nyomatékainak meghatározása

Lineáris algebra Gyakorló feladatok

1. zárthelyi,

Lin.Alg.Zh.1 feladatok

Lineáris algebra mérnököknek

NÉVMUTATÓ. Beke Manó, 17 Bellman, R., 310, 398 Bevilacqua, R., 93 Boros Tibor, 459, 464 Boullion, T. L., 109 Bunyakovszkij, V. J.

Lineáris algebra zárthelyi dolgozat javítókulcs, Informatika I márc.11. A csoport

Matematika (mesterképzés)

Alkalmazott algebra - skalárszorzat

Lin.Alg.Zh.1-2 feladatok

Az impulzusnyomatékok általános elmélete

1. feladatsor Komplex számok

Kvadratikus alakok gyakorlás.

i=1 λ iv i = 0 előállítása, melynél valamelyik λ i

Első zárthelyi dolgozat megoldásai biomatematikából * A verzió

Diszkrét Matematika II.

VIK A2 Matematika - BOSCH, Hatvan, 3. Gyakorlati anyag. Mátrix rangja

Mátrixfelbontások BSc szakdolgozat

Gauss-eliminációval, Cholesky felbontás, QR felbontás

9. Előadás. Megyesi László: Lineáris algebra, oldal. 9. előadás Mátrix inverze, Leontyev-modell

1. Lineáris transzformáció

Ortogonalizáció. Wettl Ferenc Wettl Ferenc Ortogonalizáció / 41

Matematika elméleti összefoglaló

Testek. 16. Legyen z = 3 + 4i, w = 3 + i. Végezzük el az alábbi. a) (2 4), Z 5, b) (1, 0, 0, 1, 1) (1, 1, 1, 1, 0), Z 5 2.

Tartalomjegyzék. Bevezetés 17. I. A lineáris algebra forrásai Vektorok 29. A könyvben követett elvek 18 A könyv felépítése 21 Szoftverek 23

6. gyakorlat. Gelle Kitti. Csendes Tibor Somogyi Viktor. London András. jegyzetei alapján

Matematika A2 vizsga mgeoldása június 4.

Numerikus módszerek 1.

A főkomponens-elemzés alkalmazása a kémiában

3. előadás Stabilitás

1. Sajátérték és sajátvektor

Lineáris algebra 2. Filip Ferdinánd december 7. siva.banki.hu/jegyzetek

Összeállította: dr. Leitold Adrien egyetemi docens


1.1. Vektorok és operátorok mátrix formában

Lineáris leképezések (előadásvázlat, szeptember 28.) Maróti Miklós, Kátai-Urbán Kamilla

1. Generátorrendszer. Házi feladat (fizikából tudjuk) Ha v és w nem párhuzamos síkvektorok, akkor generátorrendszert alkotnak a sík vektorainak

Mátrixok 2017 Mátrixok

Mer legesség. Wettl Ferenc Wettl Ferenc Mer legesség / 40

Numerikus módszerek II. zárthelyi dolgozat, megoldások, 2014/15. I. félév, A. csoport. x 2. c = 3 5, s = 4

Numerikus módszerek I. zárthelyi dolgozat (2017/18. I., A. csoport) Megoldások

Diszkrét matematika I. gyakorlat

rank(a) == rank([a b])

1. A Hilbert féle axiómarendszer

LINEÁRIS MODELLBEN május. 1. Lineáris modell, legkisebb négyzetek elve

Lineáris algebra gyakorlat

Numerikus módszerek beugró kérdések

(1) Vektorok koordinátavektora. 1/3. R A {b 1,b 2,b 3 } vektorhalmaz bázis a V R n altérben.

Matematika A1a Analízis

Lineáris algebra numerikus módszerei

9. Előadás. Megyesi László: Lineáris algebra, oldal. 9. előadás Mátrix inverze, mátrixegyenlet

,,BABEŞ-BOLYAI TUDOMÁNYEGYETEM LINEÁRIS ALGEBRA

Tartalomjegyzék. I. A lineáris algebra forrásai Vektorok Lineáris egyenletrendszerek és megoldásuk 63

Lineáris algebra. négyzetes mátrix: n x n-es mátrix oszlop mátrix, oszlop vektor: egyetlen oszlopból áll

Rang, sajátérték. Dr. Takách Géza NyME FMK Informatikai Intézet takach/ február 15

Számítási módszerek a fizikában 1. (BMETE90AF35) tárgy részletes tematikája

Rózsa Pál: Bevezetés a mátrixelméletbe. EGERVÁRY JENŐ emlékének ajánlom e könyvet halálának ötvenedik évfordulója alkalmából

1. Gauss-, Gauss-Jordan elimináció.

Algoritmusok Tervezése. 1. Előadás MATLAB 1. Dr. Bécsi Tamás

Mátrixfüggvények. Wettl Ferenc április 28. Wettl Ferenc Mátrixfüggvények április / 22

Matematika Plus 1 építőmérnök hallgatóknak

Vektorok. Wettl Ferenc október 20. Wettl Ferenc Vektorok október / 36

Bevezetés az algebrába 2 Differencia- és differenciálegyenlet-rendszerek

MATEMATIKA FELADATGYŰJTEMÉNY

azonosságot minden 1 i, l n, 1 j k, indexre teljesítő együtthatókkal, amelyekre érvényes a = c (j) i,l l,i

Lineáris algebra. (közgazdászoknak) T C T = ( 1 ) ; , D T D =

I. feladatsor. 9x x x 2 6x x 9x. 12x 9x2 3. 9x 2 + x. x(x + 3) 50 (d) f(x) = 8x + 4 x(x 2 25)

Széchenyi István Egyetem. Műszaki számítások. Matlab 6. előadás. Lineáris algebrai alkalmazások. Dr. Szörényi Miklós, Dr.

Mat. A2 3. gyakorlat 2016/17, második félév

karakterisztikus egyenlet Ortogonális mátrixok. Kvadratikus alakok főtengelytranszformációja

Átírás:

Szinguláris érték felbontás Singular Value Decomposition Borbély Gábor 7. április... Tétel (teljes SVD. Legyen A C m n mátrix (valósra is jó, ekkor léteznek U C m m és V C n n unitér mátrixok (valósban ortogonális és Σ R m n valós, nem-negatív elemű diagonális mátrix, hogy (valós mátrix esetén V van adjungált helyett UΣV H.. Tétel (szinguláris felbontás. Legyen A C m n mátrix melynek rangja k min(m, n, ekkor léteznek u i C m és v i C n vektorok és σ i nem-negatív valós számok i... k-ig úgy, hogy k σ i u i v H i i Ahol u i vektorok, az A mátrix bal-szinguláris vektorai, ortonormált rendszert alkotnak, v i a jobb-szinguláris vektorok és ezek is ortonormált rendszert alkotnak és σ i a szinguláris értékek. Valamint u i v H i diád (diadikus szorzat.... Megjegyzés. A fenti felbontás nem egyértelmű! Több U és V mátrix-pár is létezhet úgy, hogy UΣV H, de a szinguláris értékek (Σ sorrendtől eltekintve egyértelműek!... Megjegyzés. A felbontásra két számolási eljárás: B A A. B mátrixnak kiszámoljuk a sajátértékeit és sajátvektorait. Sajátvektorok, mint oszlopvektorok, lesznek a V mátrixban, a szinguláris értékek pedig a B sajátértékeinek gyökei.. U AV. U-t úgy kapjuk, hogy U oszlopait normáljuk, V -t pedig úgy, hogy V oszlopait normáljuk (leosztjuk a hosszukkal. B AA. B mátrixnak kiszámoljuk a sajátértékeit és sajátvektorait. Sajátvektorok, mint oszlopvektorok, lesznek az U mátrixban, a szinguláris értékek pedig a B sajátértékeinek gyökei.. V A U. U-t úgy kapjuk, hogy U oszlopait normáljuk, V -t pedig úgy, hogy V oszlopait normáljuk (leosztjuk a hosszukkal.... Feladat. Számítsuk ki az mátrix SVD felbontását! ( Megoldás. Számítsuk ki B AA sajátértékeit és sajátvektorait! ( B https://www.youtube.com/watch?vr9uofyqjca8 http://math.bme.hu/~borbely (

( λ ( λ λ λ + λ Ebből a sajátértékek: λ, λ. Vagyis a szinguláris értékek és. λ -hez sajátvektor (első jobb-szinguláris vektor: [ ennek egy nem-nulla megoldása a (, vektor. A sajátértékhez tartozó sajátvektor: [ Vagyis a második jobb-szinguláris vektor az (,. U ( ( 4 V A U 4 U és V úgy kapható meg, hogy U és V oszlopaikat normalizáljuk: ( U, V 6 6 (, Σ Megoldás. Számítsuk ki B A A sajátértékeit és sajátvektorait! ( B 4 4 λ λ 4 ( λ(( λ( λ 6 4( λ 4 λ λ ( λ + λ Ebből a sajátértékek: λ, λ, λ. Vagyis a szinguláris értékek, és. A nullához nem is keresünk sajátvektort, mert a végeredményben úgyis nulla szorzóval szerepelne. λ -hez sajátvektor (első jobb-szinguláris vektor: 4 4 8 ennek egy nem-nulla megoldása a (,, vektor. A sajátértékhez tartozó sajátvektor: 4 4 4 4 8 [ [ 4

Vagyis a második jobb-szinguláris vektor a (,,. V Ezt a mátrixot kiegészíthetnénk egy harmadik, ez előző kettőre ortogonális vektorral és bevehetnénk a sajátértéket. Ekkor kapnánk teljes SVD-t, de ezt most nem tesszük meg. ( ( U AV 6 6 U és V úgy kapható meg, hogy U és V oszlopaikat normalizáljuk: ( U, V 6 6 (, Σ Ugyan az jött ki, mint az első megoldásban, bár ez nem szükségszerű, mivel a felbontás nem egyértelmű. Szinguláris felbontás alakban: ( ( + ( ( 6 } {{ } diád szorzat 6 } {{ } diád szorzat... Feladat. Számoljunk az alábbi mátrixra SVD-t! Először B A λ λ (( λ ( λ ( 4λ + λ ( λ ( λ( λ( λ λ Vagyis a sajátértékek: és a kétszeres. A szinguláris értékek:,,. A jobb sajátvektorok közül először a λ -hez tartozót: Ennek egy nem-nulla megoldása: (,,. Most a λ -hoz: Ennek magtere (nulltere két dimenziós. Ügyeljünk arra, hogy az összes független sajátvektort megtaláljuk! Sőt, szimmetrikus mátrix (amilyen B is sajátvektorai merőlegesek is egymásra! Két lehetséges vektor: (,, és (,,, így: V

Végezetül teljes SVD alakban: U 6 6 6 U AV, Σ, V... Feladat. Számítsuk ki az mátrix SVD felbontását! ( Megoldás. Számítsuk ki B A A sajátértékeit és sajátvektorait! ( ( ( B ( λ λ λ, ± Vegyük észre, hogy ez két pozitív szám. A szinguláris értékek ezek gyökei: sajátértékhez tartozó sajátvektor: [ [ + ± ±. Az első (gyök nélküli ennek egy nem-nulla megoldása az (, + vektor. A másik sajátértékhez tartozó sajátvektort nem számítjuk ki, mert erre merőleges kell legyen, mert B mátrix ortogonálisan diagonalizálható. Így a másik sajátvektor: ( +,. Ezzel megvannak a jobb-szinguláris vektorok, oszloponként mátrixba rendezve: ( V + + Ez után a bal-szinguláris vektorok: U AV U ( + + + U és V ezen mátrixokból úgy kapható meg, hogy oszlopaikat normalizáljuk, valamint Σ +..4. Feladat. Számítsunk SVD-t: B-hez sajátérték, sajátvektor: B A H i i i ( i i ( i 9 i i i i 6 i ( 9 λ i (9 λ(6 λ 4 i 6 λ 4

λ λ + (λ (λ A saját értékek: és. Figyelmjük meg, hogy az erei mátrix és B is komplex, de B önadjungált és sajátértékei nem-negatív (valós számok. A szinguláris értékek ezek gyökei: és. Az -höz tartozó sajátvektor: [ 4 i i Az első jobb-szinguláris vektor: ( i,. A -hez tartozó sajátvektor: [ i i 4 A második jobb-szinguláris vektor: (i,, így: Normálás után: U 4 i i 4i V ( i i 4 U AV i i 4i (, Σ, V ( i i.