该文件以三阶矩阵为例，实现了选列主元的Doolittle矩阵分解。可扩展到任意阶数。 【注】 购买后因编码格式问题，出现中文注释乱码，请第一时间私信我。

使用R的快速随机奇异值分解 随机奇异值分解（rsvd）是一种快速概率算法，可用于高精度计算海量数据集的近乎最优的低秩奇异值分解。 关键思想是计算数据的压缩表示形式以捕获基本信息。 然后，可以使用该压缩表示来获得低阶奇异值分解分解。 据我们所知，rsvd软件包为R中的低秩矩阵逼近提供了最快的例程之一。 随着矩阵尺寸的增加（此处目标等级k = 50），计算优势变得明显： 奇异值分解在数据分析和科学计算中起着核心作用。 SVD还广泛用于计算（随机）主成分分析（PCA），这是一种线性降维技术。 随机PCA（rpca）使用近似的奇异值分解来计算最重要的主分量。 该软件包还包括一个用于计算（随机化）鲁棒主成分分析（RPCA）的功能。 此外，还提供了一些绘图功能。 有关更多详细信息，请参见： 。 SVD示例：图像压缩 library( rsvd ) data( tiger ) # Image com

一个非常简短的程序，它使用 QR 分解计算矩阵的奇异值分解。

该文件主要实现矩阵A的Doolittle分解。包括 可分解性的判断，唯一可分解性判断，分解结果（上下三角阵）。可适用于任意n*n矩阵的三角分解。 【注】 购买后，如果因为编码格式不一致导致注释乱码，请第一时间私信我。

此代码提供了基于 Lapack 子例程的可靠双对角分解例程。 Lapack 是数值分析中最可靠的 Fortran 程序之一。 在 Lapack 中，双对角化用于通过例程 zgebrd 和 zungbr 计算矩阵的 SVD。 请参阅http://www.netlib.org/lapack/lug/node53.html但是，Matlab 不支持将双向例程作为独立样式。 因此，此提交帮助人们使用矩阵的双对角化，A = Q * B * P'，其中 A 是非平方的复数或实数，B 是双对角的实数，Q 和 P 是酉或正交的。 最初的 Lapack 接口例程来自 Tim Toolan 在“文件交换”中的工作。 此代码可用于理解 Lapack 接口。 此代码也与 Octave 平台兼容。 请注意，双对角化是矩阵约简保留奇异值的好工具。 相反，如果您减少保留特征值的矩阵，您可能需要使用相似变换，例如 Hes

奇异值分解 (SVD) 是线性代数中非常有用的工具，具有广泛的应用。 随机奇异值分解是一种计算 SVD 的快速算法。

压缩感知中用到系数分解算法，这是一种omp的系数分解算法

文章对应src:https://blog.csdn.net/jerry_yu_1/article/details/120635570?spm=1001.2014.3001.5501 仅供学习参考，

故障轴承的振动信号是非平稳信号，传统的非平稳信号分析手段存在许多不足；BP网络能够出色地解决传统识别模式难以解决的复杂问题。提出了经验模态分解（EMD）与BP神经网络相结合的滚动轴承故障诊断方法。采用EMD方法对振动信号进行分解，得到组成信号的多个内禀模态分量（IMF），提取重要的IMF分量的能量作为信号的特征量；采用BP网络作为模式分类器，对轴承的故障类型进行分类。经试验数据分析证明，该方法能够准确地对轴承故障进行诊断。

对该信号进行EMD分解，其中第一列为信号振幅，第二列为时间，共301组数据。