SVD奇异值分解求解非齐次线性方程组代码实现

本文介绍如何使用奇异值分解(SVD)求解齐次和非齐次线性方程组,通过最小化||Ax-b||2来找到最佳解。文中详细展示了求解步骤,并附有Python代码实例,演示了如何利用Numpy库进行SVD分解及求解。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

SVD可以很方便的求解齐次和非齐次线性方程组,这篇帖子有关于奇异值分解的介绍以及求解齐次和非齐次线性方程组推导过程。

求解非齐次线性方程组 Ax=b

等价于寻找x使||Ax−b||2最小化

求解步骤(图片引用自博客)

在这里插入图片描述

代码
import numpy as np

# 定义A矩阵和b向量
A = np.array([[1.1, -0.1],
              [-0.1, 1.1]])
b = np.array([[86.6],
			  [103.4]])

# SVD分解
u, d, v = np.linalg.svd(A)
# print(u, d, v)

# 求解b'
b_ = u.T @ b

# 求解y y由 b'/d 得到
y = [b_[i, 0] / val for i, val in enumerate(d)]

# x = Vy
x = v.T @ np.expand_dims(np.array(y), 1)

print(x)

# output
# [[ 88.]
#  [102.]]
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值