<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Hethz的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Hethz</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Hethz]]></copyright><item><title><![CDATA[针孔摄像机]]></title><link>https://blog.youkuaiyun.com/Hethz/article/details/163539242</link><guid>https://blog.youkuaiyun.com/Hethz/article/details/163539242</guid><author>Hethz</author><pubDate>Sat, 08 Aug 2026 16:23:17 +0800</pubDate><description><![CDATA[理想情况下，如果匹配点完全精确，最小的奇异值应该等于 0，因为存在精确解。点的检测有噪声匹配可能有误差方程数 > 未知数（超定方程组）所以最小的奇异值不等于 0，只是很小。我们取它对应的右奇异向量作为最小二乘意义下的最优解。]]></description><category></category></item><item><title><![CDATA[奇异值分解（SVD）的数学原理与实现]]></title><link>https://blog.youkuaiyun.com/Hethz/article/details/163541864</link><guid>https://blog.youkuaiyun.com/Hethz/article/details/163541864</guid><author>Hethz</author><pubDate>Thu, 06 Aug 2026 19:07:00 +0800</pubDate><description><![CDATA[本文深入解析了奇异值分解（SVD）的数学本质与计算方法。SVD将任意m×n矩阵A分解为A=UΣVᵀ，其中U、V为正交矩阵，Σ为对角矩阵。其核心思想源于对称矩阵AᵀA和AAᵀ的特征值分解：奇异值是特征值的平方根，左右奇异向量分别对应特征向量。文章通过具体数值示例演示了SVD的计算过程，并指出实际算法（如QR迭代法、分治法）为避免数值不稳定性而采用更优策略。最后强调SVD的几何意义（旋转-拉伸-旋转变换）及其在求解线性系统Ah=0中的应用价值——通过最小奇异值对应的右奇异向量获得最优解。]]></description><category></category></item><item><title><![CDATA[Needleman-Wunsch algorithm]]></title><link>https://blog.youkuaiyun.com/Hethz/article/details/80423497</link><guid>https://blog.youkuaiyun.com/Hethz/article/details/80423497</guid><author>Hethz</author><pubDate>Wed, 23 May 2018 17:46:46 +0800</pubDate><description><![CDATA[完全学自.https://en.wikipedia.org/wiki/Needleman%E2%80%93Wunsch_algorithm

还有内容会更新补充

编者按：

比对其实应该对应的单词是alignment，但往往特指低通量的序列之间的比较。比如10条序列，进行多序列比对就是我们常说的 multiple alignment问题；如果是2条序列的比对，我们经常称其为pairwise al...]]></description><category></category></item></channel></rss>