机器人的性能指标通常通过雅克比矩阵进行研究，而雅克比矩阵通常不是方阵，常通过奇异值对雅克比矩阵分解并提取特征，以便研究机器人性能指标。

针对目前密文图像可逆信息隐藏算法容量较小的缺点，通过引入云计算服务，基于矩阵的奇异值分解，提出了一种面向云计算安全应用的密文图像可逆信息隐藏算法。该算法利用云端强大的计算和存储能力，对密文图像的某些比特平面（LSB-planes）进行奇异值分解，并存储产生的恢复字典，然后将信息直接嵌入奇异值矩阵中。实验结果表明，该算法在保证图像隐私安全和图像失真度很低的前提下，在嵌入容量上有明显提高，提取信息后图像能够完全恢复，并且信息提取与图像恢复可分离。与其他算法相比，该算法具有更高的嵌入容量。

针对多分辨奇异值分解算法，使用matlab对其进行了仿真分析，参考文献“多分辨奇异值分解理论及其在信号处理和故障诊断中的应用”

一个经典的奇异值分解程序，代码清晰，可以看看，适合初学

本程序用svd方法对数据进行了降维，从而能够在低维空间上对数据进行分析，简化了分析的难度。

基于卷积神经网络与奇异值分解的水电机组故障诊断方法研究.pdf

此函数实现了快速截断的 SVD。 我们经常想计算奇异值分解。 但大多数时候，我们实际上并不需要像主成分分析中那样的所有奇异向量/值。 这也证明了以下事实：在实践中出现的许多矩阵确实表现出某种结构，导致只有少数奇异值实际上是不可忽略的。 最近的研究表明，当我们想要截断的 SVD 时，随机算法可以产生令人难以置信的加速度。 用法 ： 输入： * A : 我们想要的 SVD 矩阵* K：要保留的组件数 输出： * U,S,V : 作为内置 svd matlab 函数的经典输出 这是我的小型笔记本电脑上 2000x2000 秩为 100 的矩阵的一个小例子： >> A = randn(2000,100)*randn(100,2000); >> 抽动; [U1,S1,V1] = svd(A); 目录经过的时间是 6.509186 秒。 >> 抽动; [U2,S2,V2] = rsvd(

Elad2006年的论文以及论文的实现代码

使用奇异值分解的人脸识别。 该识别算法使用基本对象识别方法，即奇异值分解。 使用SVD函数，您可以训练自己的图像并在该图像上执行SVD，然后可以对SVD函数返回的U（特征脸）向量进行一些数学运算测试。 面部图像的数据集在“ dataimage”中。 该代码显示在face_recognition.py文件中。 测试图像位于test_img文件夹中。达到的准确度为85％。

局部保持映射_尺度不变特征变换（LPP-SIFT）算法是一种有效的特征识别方法。提出了奇异值分解的LPP-SIFT和巴氏距离相合的算法。基于LPP的算法在人脸识别中容易遇到奇异值问题。为此，采用奇异值分解的LPP-SIFT算法进行特征提取和降维处理，然后采用巴氏距离特征的迭代算法，得到最小错误率上界。在ORL上实验，实验结果验证了提出算法在人脸识别中的有效性。