奇异值分解在机器学习中经常碰到，今天详细讲讲。本文章中说的"矩阵"/"向量"都指的是实数矩阵/实数向量，我们只说实数域内的情况。整数有质因子分解，比如12=2*2*3。分解成2*2*3后，比单单研究12这个数，我们会容易得到一些信息，比如，12这个数不能整除5；一个数n 乘12后，会整除2和3；等等。那么矩阵呢，我们是否可以像整数的质因子分解一样进行分解？这样比单单研究这个矩阵也许就会获得很多有用的信息。答案是任何一个矩阵都可以进行奇异值分解，并且奇异值分解很有用。本篇文章的目录如下：目录特征分解（Eigendecomposition）特征向量与特征值有n个线性独立特征向量的方阵性质，包括几何
奇异值分解在机器学习中经常碰到，今天详细讲讲。本文章中说的"矩阵"/"向量"都指的是实数矩阵/实数向量，我们只说实数域内的情况。整数有质因子分解，比如12=2*2*3。分解成2*2*3后，比单单研究12这个数，我们会容易得到一些信息，比如，12这个数不能整除5；一个数n 乘12后，会整除2和3；等等。那么矩阵呢，我们是否可以像整数的质因子分解一样进行分解？这样比单单研究这个矩阵也许就会获得很多有用的信息。答案是任何一个矩阵都可以进行奇异值分解，并且奇异值分解很有用。本篇文章的目录如下：目录特征分解（Eigendecomposition）特征向量与特征值有n个线性独立特征向量的方阵性质，包括几何
EMD是时频分析常用的一种信号处理方式，EMD经过发展到现在也有很多不同的发展，本文总结了已知的各种优化和变种。分类：EMD(经验模态分解)：基本模态分解EEMD(集合经验模态分解)：EMD+白噪声CEEMD(互补集合经验模态分解)：加正负成对的辅助白噪声CEEMDAN(完全自适应噪声集合经验模态分解)：分解过程加白噪声经EMD分解得到的各阶IMF分量ESMD(极点对称模态分解)：外部包络线插值改内部极点对称插值VMD(变分模态分解):可将时间序列数据分解为一系列具有有限带宽的本征模态函数（IMF），可自适应更新各IMF的最优中心频率和带宽。LMD(局域均值分解):PF分量分解，采用平滑处理的
EMD是时频分析常用的一种信号处理方式，EMD经过发展到现在也有很多不同的发展，本文总结了已知的各种优化和变种。分类：EMD(经验模态分解)：基本模态分解EEMD(集合经验模态分解)：EMD+白噪声CEEMD(互补集合经验模态分解)：加正负成对的辅助白噪声CEEMDAN(完全自适应噪声集合经验模态分解)：分解过程加白噪声经EMD分解得到的各阶IMF分量ESMD(极点对称模态分解)：外部包络线插值改内部极点对称插值VMD(变分模态分解):可将时间序列数据分解为一系列具有有限带宽的本征模态函数（IMF），可自适应更新各IMF的最优中心频率和带宽。LMD(局域均值分解):PF分量分解，采用平滑处理的
1VMD算法原理VMD的思想认为待分解信号是由不同IMF的子信号组成的。VMD为避免信号分解过程中出现模态混叠，在计算IMF时舍弃了传统信号分解算法所使用的递归求解的思想，VMD采用的是完全非递归的模态分解。与传统信号分解算法相比，VMD拥有非递归求解和自主选择模态个数的优点。该算法可将第j条线路的暂态零序电流信号分解为K个中心角频率为的本征模态函数，其中K为人为指定的模态分量个数。不同于EMD，VMD将每个IMF定义为调幅调频函数，可表示为： （1）VMD算法可分为变分问题的构造和求解两部分：(1)变分问题的构造：
1VMD算法原理VMD的思想认为待分解信号是由不同IMF的子信号组成的。VMD为避免信号分解过程中出现模态混叠，在计算IMF时舍弃了传统信号分解算法所使用的递归求解的思想，VMD采用的是完全非递归的模态分解。与传统信号分解算法相比，VMD拥有非递归求解和自主选择模态个数的优点。该算法可将第j条线路的暂态零序电流信号分解为K个中心角频率为的本征模态函数，其中K为人为指定的模态分量个数。不同于EMD，VMD将每个IMF定义为调幅调频函数，可表示为： （1）VMD算法可分为变分问题的构造和求解两部分：(1)变分问题的构造：
感谢前辈大佬，引用自：[1]https://ataspinar.com/2018/12/21/a-guide-for-using-the-wavelet-transform-in-machine-learning/[2]https://blog.csdn.net/Fvine_/article/details/83381250[3]https://blog.csdn.net/weixin_46713695/article/details/127106554码龄一年半，目前用python做一些数据分析。加上了一些自己的整理和总结，欢迎大家提出建议，侵删！〇、更多一点的原理1.小波变换如何工作？傅里
感谢前辈大佬，引用自：[1]https://ataspinar.com/2018/12/21/a-guide-for-using-the-wavelet-transform-in-machine-learning/[2]https://blog.csdn.net/Fvine_/article/details/83381250[3]https://blog.csdn.net/weixin_46713695/article/details/127106554码龄一年半，目前用python做一些数据分析。加上了一些自己的整理和总结，欢迎大家提出建议，侵删！〇、更多一点的原理1.小波变换如何工作？傅里
右键单机“此电脑”单击、G管理 进入这个界面点击存储管理 你能看到你对应的分盘的情款，我的是分3个C、D、E你的应该就是一个大C盘 右键单击C盘，压缩卷， 调整要压缩的大小，单位是MB，你可以算一下，1024MB*你想压缩出去的G数想拿出去多少个G，就压缩多少个1024 调整“输入压缩控件”我输入10240，出现10G未分配空间，右键单机未分配空间 右键单击“新建简单卷”，===新建盘新加卷====对应盘的名字驱动号ABCD-------Z，可以自选建议分三个盘C，不装软件，不下载数据装软件存数据
右键单机“此电脑”单击、G管理 进入这个界面点击存储管理 你能看到你对应的分盘的情款，我的是分3个C、D、E你的应该就是一个大C盘 右键单击C盘，压缩卷， 调整要压缩的大小，单位是MB，你可以算一下，1024MB*你想压缩出去的G数想拿出去多少个G，就压缩多少个1024 调整“输入压缩控件”我输入10240，出现10G未分配空间，右键单机未分配空间 右键单击“新建简单卷”，===新建盘新加卷====对应盘的名字驱动号ABCD-------Z，可以自选建议分三个盘C，不装软件，不下载数据装软件存数据
