Singular value decomposition and least squares solutions

خلاصه

مقاله کلاسیکی که الگوریتم پایدار محاسبه SVD را معرفی کرد و پایه نرم‌افزارهای عددی مدرن شد.

نمای سریع

الگوریتم Golub-Reinsch برای SVD و حداقل مربعات.

یافته‌های کلیدی

الگوریتم ارائه شده پایه نرم‌افزارهای مدرن محاسبه SVD شد و کاربرد گسترده در حداقل مربعات و کاهش رتبه پیدا کرد.

هدف

ارائه روشی عددی قابل‌اعتماد برای تجزیه مقادیر منفرد و حل Ax≈b.

روش

ارائه الگوریتمی مبتنی بر تبدیل‌های یکانی دوطرفه که بدون تشکیل صریح AᵀA کار می‌کند و از نظر عددی پایدار است.

نتایج

الگوریتمی که بدون تشکیل AᵀA کار می‌کند و از نظر پایداری عددی برتر است.

نتیجه‌گیری

SVD ابزار مرکزی جبر خطی عددی است و این الگوریتم آن را عملی کرد.

مفاهیم کلیدی

تجزیه مقادیر منفرد، حداقل مربعات، جبر خطی عددی، ماتریس

مطالعه‌ی بیشتر

https://doi.org/10.1007/BF02163027

تحلیل

یکی از تأثیرگذارترین مقالات جبر خطی عددی که مستقیماً به نرم‌افزارهای امروزی منجر شد.

محدودیت‌ها

در زمان انتشار، هزینه‌ی محاسباتی برای ماتریس‌های بسیار بزرگ بالا بود؛ نسخه‌های بعدی بهینه‌سازی شدند.

کارهای آینده

توسعه الگوریتم‌های سریع‌تر برای ماتریس‌های بزرگ و پراکنده.

کاربرد عملی

امروزه تقریباً تمام کتابخانه‌های عددی (LAPACK، NumPy، MATLAB) از ایده‌های این مقاله برای SVD استفاده می‌کنند. در پروژه‌های بینایی ماشین، فشرده‌سازی داده و کنترل ربات، SVD و عملیات ماتریسی وابسته به آن حیاتی است.