Matemaattiset Laskimet
QR -hajoamislaskin
Selvitä ortonormaalimatriisi ja ylempi kolmionmuotoinen matriisi helposti ilmaisella online -QR -hajoamislaskurillamme!
QR -hajoamislaskin
Sisällysluettelo
◦Mikä on QR -hajoaminen? |
◦Kuinka laskea QR -hajoaminen? |
◦Mikä on Gram -Schmidt -prosessi? |
◦Kuinka Gram-Schmidt-laskenta toimii? |
◦Onko QR -hajoaminen aina olemassa? |
◦Missä QR -tekijöitä käytetään? |
◦Viitteet |
Lineaarisessa algebrassa monimutkaisen matriisin faktorointi helpottaa analysointia. QR -hajoaminen on matriisin hajoaminen, jota käytetään yleisesti lineaaristen järjestelmien ratkaisemiseen, ominaisarvojen saamiseen ja determinantteihin liittyviin laskelmiin. QR -hajotusta käytetään myös koneoppimisessa ja sen sovelluksissa.
QR -hajoamislaskurimme laskee ylemmän kolmion matriisin ja ortogonaalimatriisin annetusta matriisista.
Laskimen käyttäminen:
1. Lisää matriisikoko (sarakkeet <= rivit)
2. Lisää matriisipisteet
3. Valitse pyöristystarkkuus
4. Katso tulokset
Tällä sivulla opit myös laskemaan QR -hajoamisen Gram -Schmidt -prosessilla ja missä QR -koostumusta käytetään tosielämässä.
Mikä on QR -hajoaminen?
QR -hajoaminen on tekniikka, jota käytetään matriisin muuntamiseen muotoon A = QR, jossa R on ylempi kolmionmuotoinen matriisi, Q on ortogonaalimatriisi ja Q^(T) Q = I pätee, missä Q^(T) on Qs ' transponoida, ja minä olen matriisien identiteetti.
QR -hajoaminen tunnetaan myös nimellä QR factorization ja QU factorization, ja sitä käytetään yleisesti lineaaristen yhtälöiden ratkaisemiseen.
Kuinka laskea QR -hajoaminen?
QR -hajotus voidaan suorittaa eri menetelmillä. Näitä ovat Gram -Schmidt -prosessi, Householder -muunnokset ja Givensin kierrot.
Käymme läpi Gram-Schmidt-prosessin, ja tässä on vaiheittainen opas QR-hajoamisen laskemiseen sen kanssa:
A = QR,
A = Annettu matriisi
Q = Ortogonaalimatriisi
R = ylempi kolmion muotoinen matriisi
1. Määritä matriisi A
2. Ota A -sarakkeet ja käsittele ne Gram -Schmidt -prosessin avulla. Tuloksena saat ortonormaaleja vektoreita: e1, e2, ..., en.
3. Muodosta matriisi Q näiden vektoreiden avulla käyttämällä vektoreita sarakkeina.
4. Muodosta matriisi R kertomalla vasemmalle A transponoimalla Q (R = QᵀA)
Ole hyvä! Lasket QR -hajoamisen onnistuneesti ja perustat sekä ortogonaalisen matriisin että ylemmän kolmion matriisin!
Mikä on Gram -Schmidt -prosessi?
Gram-Schmidt-prosessi on toimintojen sarja, joka on suunniteltu muuttamaan lineaarisesti riippumattomien vektorien joukko vastaaviksi ortonormaalivektoreiksi.
Kuinka Gram-Schmidt-laskenta toimii?
Gram–Schmidt-laskenta on matemaattinen työkalu, jolla määritetään optimaalinen sovitus kahden tietojoukon välillä. Sitä käytetään usein koneoppimisessa ja data-analyysissä, ja siitä voi olla apua, kun yritetään löytää parhaat algoritmit tai mallit tulosten ennustamiseen. Lyhyesti sanottuna Gram–Schmidt-algoritmi ottaa kaksi datajoukkoa – esimerkiksi harjoitusjoukon tekstit ja näihin tietoihin perustuvasta mallista tehdyt ennusteet – ja luo niiden välille samankaltaisuuspisteet. Mitä korkeampi pistemäärä, sitä samankaltaisempia sarjat ovat.
Gram-Schmidt-prosessia käytetään yleisesti, koska se käsittelee laskelmat ortonormaalilla pohjalla, joka on usein paljon helpompi perusta laskujen suorittamiseen.
Onko QR -hajoaminen aina olemassa?
Matriisin A teknoosi A = QR -hajoaminen on hyödyllinen tekniikka ominaisarvojen arvioimiseksi. Se on aina olemassa, kun A -arvo on yhtä suuri kuin A -sarakkeiden lukumäärä.
Missä QR -tekijöitä käytetään?
QR -tekijöiden käsitteen käsite on erittäin hyödyllinen kehys erilaisille tilastollisille ja data -analyysisovelluksille. Yksi näistä on ratkaisu pienimmän neliön ongelmiin.
QR -tekijä on myös yleisesti käytetty osa koneoppimisessa ja sen sovelluksissa. Sitä voidaan käyttää esimerkiksi objektin poistamiseen kuvasta automaattisesti. Toinen esimerkki on kuvan ottaminen videoleikkeestä.
Viitteet
Gander, W., 1980. QR -hajoamisen algoritmit. Res. Rep, 80 (02), s. 1251-1268.
Goodall, CR, 1993. 13 Laskenta käyttämällä QR -hajoamista.
Artikkelin kirjoittaja
Angelica Miller
Angelica on psykologian opiskelija ja sisällön kirjoittaja. Hän rakastaa luontoa ja katsoo dokumentteja ja opettavaisia YouTube -videoita.
QR -hajoamislaskin Suomi
Julkaistu: Thu Oct 07 2021
Luokassa Matemaattiset laskimet
Lisää QR -hajoamislaskin omalle verkkosivustollesi