Wahba 的问题发表于 1965 年，SIAM 评论，第 7 卷，第 3 期。 简而言之，Wabha 的问题是使用参考系中的数字或共同注册的向量和身体坐标中的观察向量来确定（身体的）姿态。 基本上问题是最小化以下成本函数以获得 R，旋转矩阵（或姿态四元数）： L = 0.5 SUM a_i (b_i - R r_i)^2 在哪里a_i - 是权重（代码中的 a） b_i - 身体坐标中的观察值（代码中的 rb） r_i - 参考坐标中共同注册数据点的已知数据库（代码中的 rr） 以上相当于从以下四元数中求解： L = lambda_0 - 跟踪（RB）= lambda_0 - q' K q 在哪里q - 是姿态四元数； 和K - 计算如下 请按照代码。 您将看到方程式如文章中所述被简单地实现。 然而，有一个变化，作者首选使用 Zipfel 的四元数表示顺序，因此： q = [ q

基于matlab的表情识别代码使用奇异值分解（SVD）在MATLAB中进行人脸重构 由J.Barhydt 1 华盛顿大学华盛顿州西雅图市98195 概述： 奇异值分解（SVD）是一种有用的计算工具，可用于减少超定系统的维数。 它具有各种各样的应用程序，从面部识别软件到科学数据的降噪再到量子信息，甚至被Netflix用来过滤和确定用户内容。 在本文中，该方法用于解构人脸数据库，从而允许低秩逼近来重建图像。 1-此报告使用扩展的Yale Faces B数据库： 简介与概述 ================================= 耶鲁的人脸数据库用于编辑许多人的脸部图像。 总体上有两个数据集：一组被裁剪以使面部对齐良好，而另一组则未被裁剪。 一旦执行了SVD，便会执行许多计算和分析。 首先，一系列奇异值用于确定构成“面部空间”的基础基础面部的权重，该“面部空间”代表所有面部的基础结构。 然后对重建脸部以及本征脸部自身的能力进行比较。 为了观察低秩逼近的演变，矩阵是逐块重构的。 最后，在裁剪后的图像和未裁剪的图像之间进行比较，并将各种面部映射到“面部空间”以进行重构。 理论背景\n=

K-SVD工具箱，包含了几个实现K-SVD算法的主要文件。

SVD算法是一个降维算法，是很多机器学习领域算法的基础。 SVD算法是线性代数中一种重要的矩阵分解，是矩阵分析中正规矩阵酉对角化的推广。

%JOS_SVD Jacobi 单面 SVD 程序％ % 一个简单的程序，演示了如何使用 jacobi 方法获得% SVD % A 可能是矩形和复数。 ％ % 使用率：[U,S,V]= JOS_SVD(A) % 或 S = JOS_SVD(A)

RISC-V SVD 文件生成工具。详细说明见博文 RISC-V 之一 使用 ARM CMSIS 的 SVD 文件辅助调试 https://itexp.blog.csdn.net/article/details/127144450

C++编写的函数，可以做复数的svd分解，不需要第三方函数库，能够直接编译运行。

matlab 的EOF 和REOF、CCA、SVD方法

ALGLIB is a cross-platform numerical analysis and data processing library. It supports several programming languages (C++, C#, Delphi) and several operating systems (Windows and POSIX, including Linux). ALGLIB features include: Data analysis (classification/regression, statistics) Optimization and nonlinear solvers Interpolation and linear/nonlinear least-squares fitting Linear algebra (direct algorithms, EVD/SVD), direct and iterative linear solvers Fast Fourier Transform and many other algorithms

代码可运行，含运行结果