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.
QR -hajoamisen matemaattinen määritelmä

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!
QR-hajoaminen Gram-Schmidt-menetelmällä

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.
Gram -Schmidt -menetelmä

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.
QR -faktointi datatieteessä

Viitteet

Gander, W., 1980. QR -hajoamisen algoritmit. Res. Rep, 80 (02), s. 1251-1268.
Goodall, CR, 1993. 13 Laskenta käyttämällä QR -hajoamista.

Angelica Miller
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

Muut matemaattiset laskimet

Vektorin Ristitulon Laskin

30 60 90 Kolmion Laskin

Odotusarvon Laskin

Funktiolaskin Netissä

Keskihajontalaskin

Prosenttilaskuri

Yhteisten Murtolukujen Laskin

Paunoista Kupeiksi Muunnin: Jauhot, Sokeri, Maito..

Ympyrän Ympärysmitan Laskin

Kaksikulmainen Kaavalaskin

Juuri Ja Potenssi Laskin

Kolmion Pinta -alan Laskin

Pääkulman Laskin

Pistetulon Laskin

Keskipisteen Laskin

Merkittävien Lukujen Muunnin (Sig Figs -laskin)

Kaaren Pituuslaskin Ympyrälle

Pistearviolaskin

Prosentin Lisäyslaskin

Prosenttiosuuslaskin

Lineaarinen Interpolointilaskin

Matriisin Transponointilaskin

Kolmion Hypotenuusan Laskin

Trigonometrinen Laskin

Suorakulmaisen Kolmion Sivu- Ja Kulmalaskin (kolmiolaskin)

45 45 90 Kolmiolaskin (oikea Kolmiolaskin)

Matriisikerto-laskin

Keskimääräinen Laskin

Satunnaislukugeneraattori

Virhemarginaalilaskuri

Kahden Vektorin Välinen Kulmalaskin

LCM-laskin - Vähiten Yleinen Usean Laskin

Neliömetrin Laskin

Eksponenttilaskin (teholaskin)

Matemaattinen Jäännöslaskin

Kolmen Sääntö Laskin - Suora Suhteellinen

Toisen Asteen Kaavan Laskin

Summalaskuri

Ympärysmitan Laskin

Z-pistelaskuri (z-arvo)

Fibonacci Laskin

Kapselin Tilavuuden Laskin

Pyramidin Tilavuuslaskin

Kolmioprisman Tilavuuslaskin

Suorakaiteen Tilavuuslaskin

Kartiotilavuuslaskin

Kuution Tilavuuden Laskin

Sylinterin Tilavuuden Laskin

Skaalaustekijän Laajennuslaskin

Shannonin Monimuotoisuusindeksilaskin

Bayesin Lauselaskin

Antilogaritmin Laskin

Eˣ Laskin

Alkulukulaskin

Eksponentiaalisen Kasvun Laskin

Näytekoon Laskin

Käänteinen Logaritmi (log) Laskin

Poisson-jakauman Laskin

Kertova Käänteislaskin

Merkitsee Prosenttilaskuria

Suhdelaskuri

Empiirinen Sääntölaskin

P-arvo-laskin

Pallon Tilavuuden Laskin

NPV-laskin

Prosenttiosuuden Lasku

Pinta-alalaskuri

Todennäköisyyslaskin