微信:HuangL1121
QQ号:1224848052
团队:MATLAB代做|MATLAB专业代做|python代做|matlab代写|FPGA代做|FPGA专业代做
地址:北京市-朝阳区-双柳北街18号院
当前位置:首页 > 其他专业 > MATLAB代做|矩阵计算与分析
项目案例
MATLAB代做|矩阵计算与分析
MATLAB代做|矩阵计算与分析
产品说明:

        Factorizing a matrix and approximating it by a low-rank counterpart play a central role in signal processing and machine learning. Modern applications related to 'big data' introduce new challenges on matrix factorization. This project seeks for methods that can handle large matrices efficiently.

        分解一个矩阵然后使用一个低秩相似矩阵去逼近它,这个方法在信号处理和机器学习研究中有着十分重要的作用。在现代应用中,涉及到大矩阵的分解方面有着很大的挑战,本课题的主要工作就是寻找方法来对大矩阵进行高效的处理分解。

        还有  我导师好像写了两条 random gaussion x=randn(500,500) 还有个 random low rank matrix   x= randn(500,10).(rand(500,10))' + rand (500,500) *0.01

       反正就是算大型矩阵分解  慢慢一点点加 到1000左右  然后再分析比较


这里涉及到三个部分的算法:

算法一:上述你提供的算法;

算法二:上述你提供的算法,并结合算法4.4的算法;

算法三:如下的算法:



二、算法仿真结论分析及对比

        这里首先介绍一下我们的工作内容:

       根据整个课题的需求,我们的主要工作是做了SVD分解和randomized svd分解,其中randomized svd分解的主要算法步骤,我们按照你所要求的那个算法进行。然后,这里我们还提供一种别的低秩矩阵逼近算法用来对比不同算法的逼近效果,具体算法内容见后面的详细介绍。

        下面内容为最后结论的数据分析部分(你可根据你的论文的需求,适当修改下格式加入到论文中)

         这里,我们进行对比的几个仿真图,主要参考论文中的几个仿真结果进行:

        这个图的还以为即构造一个高斯随机正交矩阵n*l大小,然后对不同的l对其误差进行分析,从上面的仿真结果可知,随着l的增加,最后低秩矩阵逼近所得到的矩阵A误差逐渐减小。但是当l大于50的时候,其误差降低有限,逐渐趋于平稳。

        这里,这个图的仿真参数为200*200的矩阵,如果要测试更大矩阵,则需要更长的仿真时间。



        从上面的仿真结果可知,改进后的算法,由于幂指数迭代达到了其仿真时间的大大增加。因此,当误差要求较低的情况下,我们可以直接采用算法一或者算法二进行仿真,从而降低矩阵分解时间,提高分解效率,而当误差要求较大的时候,则通过引入算法4.4提升算法性能,但是这会在一定程度上影响算法的效率。

联系:highspeedlogic

QQ :1224848052

微信:HuangL1121

邮箱:1224848052@qq.com

网站:http://www.mat7lab.com/

网站:http://www.hslogic.com/

微信扫一扫:



上一篇:使用李氏指数函数检测机械健康的奇异性检测

版权所有: MATLAB代做|MATLAB专业代做|python代做|matlab代写|FPGA代做|FPGA专业代做 Copyright © 2019 All rights reserved.
微信:HuangL1121 QQ:1224848052
地址:北京市-朝阳区-双柳北街18号院

扫一扫,关注我们