引言本文主要是针对《Least-SquaresFittingofTwo3-DPointSets》论文SVD求解旋转矩阵中推导过程中使用到的一些线性代数相关的内容做一些说明，具体算法实现不是很复杂，也有很多其他博客可以参考，比如参考中第2条SVD分解求变换矩阵(C++版)。论文整体算法这里直接贴论文中算法截图了（只截取了部分截图），算法过程这一部分不是本文重点，之后有需要再详细补充。本文主要是为了解决《Least-SquaresFittingofTwo3-DPointSets》第3部分B.Derivation中的一些困惑，为什么SVD可以求解旋转矩阵，为什么使用了SVD。论文是用最小二乘的方式求

一、题目大意标签:动态规划https://leetcode.cn/problems/perfect-squares给你一个整数n，返回和为n的完全平方数的最少数量。完全平方数是一个整数，其值等于另一个整数的平方；换句话说，其值等于一个整数自乘的积。例如，1、4、9和16都是完全平方数，而3和11不是。示例 1：输入：n=12输出：3解释：12=4+4+4示例2：输入：n=13输出：2解释：13=4+9提示：1二、解题思路动态规划，dp[i]表示i有几个完全平方数的加和构成，枚举比i小的完全平方数，状态转移方程为dp[i]=min(dp[i-k]+1)，k就是完全平方数三、解题方法3.1Java

一、题目大意标签:动态规划https://leetcode.cn/problems/maximal-square在一个由'0'和'1'组成的二维矩阵内，找到只包含'1'的最大正方形，并返回其面积。示例1：输入：matrix=[["1","0","1","0","0"],["1","0","1","1","1"],["1","1","1","1","1"],["1","0","0","1","0"]]输出：4示例2：输入：matrix=[["0","1"],["1","0"]]输出：1示例3：输入：matrix=[["0"]]输出：0提示：m==matrix.lengthn==matrix[i]

一、题目大意标签:动态规划https://leetcode.cn/problems/perfect-squares给你一个整数n，返回和为n的完全平方数的最少数量。完全平方数是一个整数，其值等于另一个整数的平方；换句话说，其值等于一个整数自乘的积。例如，1、4、9和16都是完全平方数，而3和11不是。示例 1：输入：n=12输出：3解释：12=4+4+4示例2：输入：n=13输出：2解释：13=4+9提示：1二、解题思路动态规划，dp[i]表示i有几个完全平方数的加和构成，枚举比i小的完全平方数，状态转移方程为dp[i]=min(dp[i-k]+1)，k就是完全平方数三、解题方法3.1Java

一、题目大意标签:动态规划https://leetcode.cn/problems/maximal-square在一个由'0'和'1'组成的二维矩阵内，找到只包含'1'的最大正方形，并返回其面积。示例1：输入：matrix=[["1","0","1","0","0"],["1","0","1","1","1"],["1","1","1","1","1"],["1","0","0","1","0"]]输出：4示例2：输入：matrix=[["0","1"],["1","0"]]输出：1示例3：输入：matrix=[["0"]]输出：0提示：m==matrix.lengthn==matrix[i]