...

2024-01-05 查尔斯爱德华佩鲁吉尼 查尔斯爱德华佩鲁吉尼芍药

图书名称：《史大卓内科病症遣方用药十讲》【作者】史大卓作【丛书名】中医名医名家讲坛系列【页数】202【出版社】北京：中国医药科学技术出版社,2022.05【ISBN号】978-7-5214-3144-5【价格】45.00【分类】内科-疑难病-中医临床-经验-中国-现代【参考文献】史大卓作.史大卓内科病症遣方用药十讲.北京：中国医药科学技术出版社,2022.05.图书封面：《史大卓内科病症遣方用药十讲》内容提要：本书为“中医名医名家讲坛系列”丛书之一。作者史大卓是国医大师、中国科学院院士陈可冀教授的博士研究生，从事中西医结合诊疗工作近40年。临床经验丰富，学术见解读到。本书分十讲对心血管系统、呼吸系统、消化系统、泌尿系统、神经系统、血液系统等疾病的遣方用药进行阐述，并有常用方剂和中药释义及病证结合思想的讲解。全书重点突出，实用性强，是一部提高中医临床疗效的重要参考书，可供中医、中西医结合临床医生及中医院校师生参阅。...

2024-01-04

图书名称：《M-MBA媒介经济学一个急速变革行业的原理和实践》【作者】赵曙光，史宇鹏著【丛书名】媒介经营管理M-MBA丛书【页数】361【出版社】长沙：湖南人民出版社,2003.02【ISBN号】7-5438-3225-9【价格】38.00【分类】传播媒介-市场经济学-研究-中国【参考文献】赵曙光，史宇鹏著.M-MBA媒介经济学一个急速变革行业的原理和实践.长沙：湖南人民出版社,2003.02.《M-MBA媒介经济学一个急速变革行业的原理和实践》内容提要：本书着重介绍媒介经济学的研究方法和分析工具，阐述媒介经济学的基础理论，媒介市场结构的理论分析，并探讨媒介产业中的联盟与兼并行为等问题。...

2023-12-29

图书名称：《M—模糊化拟阵的公理体系初步》【作者】王岚著；史福贵顾问指导【页数】145【出版社】哈尔滨：黑龙江人民出版社,2009.12【ISBN号】978-7-207-08558-0【价格】12.10【分类】拟阵-模糊集理论-拟阵-模糊集理论【参考文献】王岚著；史福贵顾问指导.M—模糊化拟阵的公理体系初步.哈尔滨：黑龙江人民出版社,2009.12.《M—模糊化拟阵的公理体系初步》内容提要：本书在M为完全配格的情况下，对已有的M-模糊化拟阵理论进行归纳及深入的研究，研究了M-模糊化拟阵理论的一些基本概念和性质，如：M-模糊化基集群、M-模糊化圈集族等。...

2023-12-28

...

2023-12-28 公元前的作品 公元年代表

...

2023-12-28

...

2023-12-27

图书名称：《英语A、B级教程精编》【作者】孟青，闫鑫，史晓慧主编【页数】235【出版社】成都：电子科技大学出版社,2011.06【ISBN号】978-7-5647-0839-9【价格】35.00【分类】英语水平考试-解题【参考文献】孟青，闫鑫，史晓慧主编.英语A、B级教程精编.成都：电子科技大学出版社,2011.06.《英语A、B级教程精编》内容提要：本书由教学一线的骨干教师精心编写，内容紧紧围绕英语A、B级考试的题型和内容，涉及各类题型的解题思路的讲解，对重点考试内容和解题方法进行了整合，书后还附有A、B级考试试题，教材极富指导性和实用性，有助于学生在平时的学习中更好地掌握英语考试的技巧。...

2023-12-19 教程之家 教程是什么意思

图书名称：《空间目标双基地ISAR高分辨成像技术》【作者】郭宝锋，胡文华，马俊涛，孙慧贤，史林作【页数】203【出版社】北京：北京理工大学出版社,2022.03【ISBN号】978-7-5763-1096-2【价格】78.00【参考文献】郭宝锋，胡文华，马俊涛，孙慧贤，史林作.空间目标双基地ISAR高分辨成像技术.北京：北京理工大学出版社,2022.03.图书封面：《空间目标双基地ISAR高分辨成像技术》内容提要：本书以三轴稳定空间目标为研究对象，采用理论分析和仿真实验相结合的方法，比较全面系统地论述了双基地ISAR成像原理、双基地ISAR成像算法、双基地ISAR回波建模、成像平面空变特性、双基地角时变下的越分辨单元徙动校正算法等理论和方法。本书可为雷达信号处理领域的一线科研人员、相关领域的研究者和高校的人才培养提供智力支持，为雷达成像（尤其是双基地ISAR成像）提供理论和方法支撑。...

2023-12-12 北京理工大学史庆藩 北京理工大学出版社社长

图书名称：《高分辨双基地ISAR空间目标成像技术》【作者】史林，郭宝锋，马俊涛，韩宁，韩壮志作【页数】189【出版社】北京：北京理工大学出版社,2022.04【ISBN号】978-7-5763-1271-3【价格】78.00【分类】逆合成孔径雷达-雷达成像【参考文献】史林，郭宝锋，马俊涛，韩宁，韩壮志作.高分辨双基地ISAR空间目标成像技术.北京：北京理工大学出版社,2022.04.图书封面：《高分辨双基地ISAR空间目标成像技术》内容提要：本书以高分辨双基地ISAR空间目标成像需求为背景，采用理论分析和仿真实验相结合的方法，阐述了空间目标的双基地ISAR回波模拟及通道标校预处理方法，介绍了全孔径、稀疏孔径场景下，空间目标双基地ISAR高分辨成像理论及方法。本书是作者近年来在此领域研究工作的总结，有助于提高双基地ISAR成像质量，促进双基地ISAR成像技术的发展，可为实际高分辨成像系统设计提供理论指导和技术支撑，具有一定的理论和工程应用价值。本书可供从事雷达信号处理、雷达成像相关领域的科研工作者和研究生参考。...

2023-12-12 《史林》 史林杂志

图书名称：《做一名高情商的班主任》【作者】史炳松著【页数】309【出版社】江苏凤凰文艺出版社,2019.11【ISBN号】978-7-5594-4161-4【价格】48.00【分类】班主任工作【参考文献】史炳松著.做一名高情商的班主任.江苏凤凰文艺出版社,2019.11.图书封面：《做一名高情商的班主任》内容提要：本书根据情商的5个主要能力，结合班主任工作内在规律和现实需求，将班主任专业素养提升的关键方法与路径与情商训练巧妙的融合。书中包括诸多真实的教育案例、前沿知识链接、有效方法解读、科学的测评量表、有趣的情商游戏。本书是一部既具专业性，又有趣味性，更是一部具有可操作性的班主任核心素养训练的高价值读本。...

2023-12-12 班主任给16岁女生发私信:我给你去去火 班主任评语

史茹怡2023初三数学尖端春季班目录：01.角平分线与中点（含导学）史茹仪.m402.【易错题专项】春上全国通用A+班-8（视频）史茹仪.m403.A8相似与母子相似史茹仪.m404.【易错题专项】春上全国通用A+班-9（视频）史茹仪.m405.三垂直与十字架史茹仪.m406.【易错题专项】春上全国通用A+班-10（视频）史茹仪.m407.圆中的证明与计算史茹仪.m408.【易错题专项】春上全国通用A+班-11（视频）史茹仪.m409.旋转模型史茹仪.m410.【易错题专项】春上全国通用A+班-12（视频）史茹仪.m411.折迭模型史茹仪.m412.【易错题专项】春上全国通用A+班-13（视频）史茹仪.m413.【加油站】一模复习课（视频）史茹怡.m414.【加油站】一模易错题-全国通用A+班（视频）史茹怡.m421.【加油站】一模复习课（视频）史茹怡.m422.【加油站】一模易错题-全国通用A+班（视频）史茹怡(1).m423.函数实际应用.m424.【易错题专项】春下全国通用A+班-17（视频）.m425.含参二次函数.m4课堂笔记:01.【课堂笔记】主讲课中笔记.df02.【课堂笔记】主讲课中笔记(1).df03.【课堂笔记】主讲课中笔记(2).df04.【课堂笔记】主讲课中笔记(3).df05.【课堂笔记】主讲课中笔记(5).df06.【课堂笔记】主讲课中笔记(4).df07.【课堂笔记】主讲课中笔记(6).df08.【课堂笔记】主讲课中笔记(7).df09.【课堂笔记】主讲课中笔记(8).df10.【课堂笔记】主讲课中笔记(9).df11.【课堂笔记】主讲课中笔记(10).df12.【课堂笔记】主讲课中笔记(11).df13.史茹怡【课堂笔记】主讲课中笔记.df14.史茹怡【课堂笔记】主讲课中笔记.df21.史茹怡【课堂笔记】主讲课中笔记.df22.史茹怡【课堂笔记】主讲课中笔记.df23.【课堂笔记】主讲课中笔记(4).df24.【课堂笔记】主讲课中笔记(5).df25.【课堂笔记】主讲课中笔记(6).df26.【课堂笔记】主讲课中笔记(2).df27.【课堂笔记】主讲课中笔记(3).df28.【课堂笔记】主讲课中笔记(4).df...

2023-06-01 课堂笔记笔记电子版 五三配套

【完结】世界大战风云史...

2023-06-01

史心语2023高一英语全年复习暑秋寒春合集目录：春季班：第1讲非谓语之基础夯实(上).m4第2讲完形之动词题线索(下).m4第3讲完形之形容词副词题.m4第4讲阅读理解研究细节.m4（3.30更新）寒假班：第1讲非谓语之基础夯实(上).m4第2讲彩之动词题线索(上.m4第3讲写作宝典之申请信.m4第4讲阅读理解残缺细节.m4第5讲阅读理解因果细节.m4（1.31更新）第6讲七选五之顺序特征_ev.m4第7讲写作宝典之介绍信史.m4第8讲写作宝典之动作篇史.m4（2.14更新）秋季班：(补)第1讲课后练习.m4第1讲时态语态(一)一般现在+-般过去+一般将来.m4第2讲语法点睛时态语态(二)现在进行+现在完成+5个常用时态辨析史心语.m4第3讲阅读理解细节题之常规定位法.m4第4讲[能力培养]阅读理解细节题之原因定位法+[同步话题]环境保护.m4第5讲定语从句综合运用.m4第6讲定语从句综合运用(二).m4第7讲完形填空解题方法之复现+[同步话题]人际关系1.m408.(能力培养)完型填空解题方法之篇章策略++[同步话题]成长成长_ev.m409.[词汇累计]教材同步重点词汇巧记+单词记忆方法_ev.m410-1:[词汇积累]教材同步重点词汇技巧+单词记忆方法(二2)_ev.m410-2:[词汇积累]教材同步重点词汇技巧+单词记忆方法(二2)_ev.m411.[能力培养]七选五解题方法之巧用代词__ev.m412[能力培养]建议信写作+听口训练(一)_ev.m413.[能力培养]记叙文写作+听口训练(二F).m4（12.10跟新）14.[语法点睛]非谓语基础_ev.m4（12.27跟新）第15讲经典题目串讲(2).m4（1.12更新）开班见面会.m4秋季:df暑假班：课堂笔记新高-适应学习资料包01.词法和句子分成m402.时态框架.m403.写作之巧用时态.m404.从句的识别和分类.m404.从句的识别与分类.m405.定语从句基础.m406.写作之巧用定语从句.m407.初高衔接重点词汇巧记+单词记忆方法(--).m408.初稿衔接重点词汇巧记+单词记忆方法(二).m409.高中适应性训练.m4...

2023-05-31 单词记忆方法 巧记大全 单词记忆方法 巧记口诀

图书名称：《数据驱动的科学和工程机器学习、动力系统与控制详解》【作者】（美）史蒂文·L.布伦顿（STEVENL.BRUNTON），（美）J.内森·库茨（J.NATHANKUTZ）著；王占山，施展，刘莺莺译【丛书名】国外工业控制与智能制造丛书【页数】400【出版社】北京：机械工业出版社,2021.08【ISBN号】978-7-111-68861-7【价格】149.00【分类】数据处理-研究【参考文献】（美）史蒂文·L.布伦顿（STEVENL.BRUNTON），（美）J.内森·库茨（J.NATHANKUTZ）著；王占山，施展，刘莺莺译.数据驱动的科学和工程机器学习、动力系统与控制详解.北京：机械工业出版社,2021.08.图书封面：图书目录：《数据驱动的科学和工程机器学习、动力系统与控制详解》内容提要：高斯奖获得者、美国三院院士StaleyOher教授等多位专家推荐，介绍机器学习和数据挖掘在理工科的应用……《数据驱动的科学和工程机器学习、动力系统与控制详解》内容试读第一部分「降维和变换第1章奇异值分解奇异值分解(SVD)是计算时代最为重要的矩阵分解方式之一，它为本书中几乎所有的数据方法奠定了基础。SVD提供了一种数值稳定的矩阵分解结果，可用于多种应用目的并保证矩阵分解的存在性。我们将用SVD来获得矩阵的低秩近似，并对非方阵求取伪逆来找到方程组Ax=的解。SVD的另一个重要用途是作为主成分分析(PCA)的底层算法，可将高维数据分解为最具统计意义的描述因子，即降维，用少数变量就能够反映原来众多变量的主要信息。SVD/PCA已广泛应用于理科和工科领域解决各种问题。在某种意义上，SVD拓展了快速傅里叶变换(FFT)的概念，FFT将是下一章的话题。许多工程教材会先介绍FFT,因为它是许多经典解析结果和数值结果的基础。然而，FFT是在理想设置情况下工作的，而SVD是一种更为通用的数据驱动技术。因为本书关注的是数据，所以我们从SVD开始，SVD可被认为是针对特定数据而提供的定制的基，而FFT提供的则是通用的基。在许多领域，复杂系统生成的大量数据是以大型矩阵形式排列的，或更通常的是以数组形式排列的。例如，可以将来自实验或仿真的一系列时间序列数据排列成一个矩阵，矩阵中的每一列包含所有给定时间上的测量值。如果在每一时刻上的数据是多维的，就像在三维空间中对天气进行高分辨率仿真一样，可以将这些数据重塑或扁平化为高维列向量，从而形成一个大型矩阵的多个列。类似地，可以将灰度图像中的像素值存储在矩阵中，也可以将这些图像重塑成一个矩阵中大的列向量来表示影像的画面。值得注意的是，这些系统生成的数据通常是低秩的，这意味着存在一些主导模式可用于解释高维数据。SVD是一种从数据中提取这些模式的数值鲁棒和有效的方法。1.1概述在这里，我们将介绍SVD,并通过一些启发示例来展示如何使用SVD,以此建立对SVD的直观认识。SVD为本书中介绍的许多其他技术提供基础，包括第5章中的分类方法、第7章中的动态模态分解(DMD)和第11章中的本征正交分解(POD)。下面几节将讨论详细的数学性质。3高维是在处理复杂系统中的数据时经常遇到的挑战。这些系统可能涉及大型测量数据集，包括音频、图像或视频数据。数据也可以从物理系统生成，例如来自大脑的神经记录、2第一部分降雏和变换来自仿真或实验的流体速度测量值等。在许多自然发生的系统中，可以观察到数据表现出主导模式，其特征可以由低维吸引子或流形来刻画252,25。例如，图像中包含有大量的测量值（像素），它们是高维向量空间的元素。大多数图像是高可压缩的，这意味着相关信息可以在低维的子空间中表示。本书将对图像的可压缩性进行深入讨论。复杂的流体系统，如地球的大气层或车辆后方的湍流尾流，也提供了高维状态空间下存在低维结构的例子。尽管高保真流体的仿真通常需要至少数百万或数十亿个自由度，但在流体中往往存在主导的相干结构，如车辆后方周期性的旋涡脱落或天气中的飓风。SVD提供了一种系统的方法，可以根据主导模式确定高维数据的低维近似值。这种技术是数据驱动的，因为模式完全是从数据中发现的，无须添加任何专家知识或直觉。SVD在数值上是稳定的，并根据由数据内主要相关性定义的新坐标系提供数据的层次表示。此外，与特征分解不同，SVD可以保证对于任何矩阵都是存在的。除了降低高维数据的维数外，SVD还有许多强大的应用。它可用于计算非方阵的伪逆为欠定或超定矩阵方程组Ax=提供解，还可以用于数据集去噪。SVD对于刻画向量空间之间的线性映射的输入和输出几何关系同样重要。这些应用都将在本章中进行探讨，从而为矩阵和高维数据提供一个直观的认识。SVD的定义通常，我们感兴趣于分析大型数据集X∈Cxm:XX2(1.1)列x∈C”可能是来自仿真或实验的测量值。例如，这些列可以表示已经被重塑为具有与图像中的像素一样多的元素的列向量的图像。列向量还可以表示随时间变化的物理系统的状态，例如一组离散点处的流体速度、一组神经测量值或是具有一平方千米分辨率的天气模拟状态。索引k是一个标签，表示第k个不同组的测量。对于本书中的许多例子，X由时间序列4☐数据组成，并且x,=x(k△)。通常，状态维度非常大，可达到数百万或数十亿个自由度的数量级。列通常被称作快照，m表示X中的快照数量。对于许多系统”gtm,结果可表示为一个高瘦的矩阵，相反，当《m时，则是一个矮胖的矩阵。对于每一个复值矩阵X∈Cm,SVD存在唯一矩阵分解：X=UΣV*(1.2)其中，U∈Cmx"和V∈Cmxm是带有标准正交列的酉矩阵9，∑∈Cxm是一个对角元素为非负实数、非对角元素都为零矩阵。这里*表示的是复共轭转置。我们将在本章中发现，U和V是酉的这个条件被广泛地使用。当≥m时，矩阵∑在对角线上最多有m个非零元素，并可以被写成∑因此，0曰如果UU*=U*U=I,则称方阵U是酉的。对于实值矩阵来说，这与常规转置X*=X相同。第1章奇异值分解3可以使用经济SVD来精确表示X:X=UEV*=02v(1.3)满秩SVD和经济SVD如图1.1所示。心-的列张成的向量空间与心张成的向量空间是正交互补的。U的列被称为X的左奇异向量，V的列被称为X的右奇异向量。2∈Cmxm的对角线元素被称为奇异值，它们是由大到小排序的。X的秩等于非零奇异值的个数。满秩SVDV0U经济SVD图1.1满秩SVD和经济SVD中的矩阵示意图SVD的计算SVD是计算科学和工程学的基石，并且SVD的数值实现既重要又具有数学启发性。也就是说，大多数标准数值实现都是成熟的，并且在许多现代计算机语言中存在一个简单的接口，允许我们抽取出SVD计算背后的细节。在大多数情况下，我们只是将SVD作为大型计算工作的一部分，并理所当然地认为存在这种有效且稳定的数值算法。在接下来的章节中，我们将演示如何借助各种计算语言来使用SVD,还将讨论最常见的计算策略和局限性。关于SVD的计算有许多重要的结果212.106,21,22,23。在文献[214]中可以找到有关计算问题的更详尽的讨论。随机数值算法越来越多地用来计算超大矩阵的SVD,这将在1.8节讨论在Matla中，SVD的计算很简单：gtgtXrad(5,3)Createa5x3radomdatamatrixgtgt[U,S,V]vd(x)iigularValueDecomoitio5对于非方阵X,经济SVD效率更高：gtgt[Uhat,Shat,V]vd(X,'eco')$ecoomyizedSVD在Pytho中：第一部分降雏和变换gtgtimortumyagtgtX.radom.rad(5,3)createradomdatamatrixgtgtU,S,V.lialg.vd(X,full_matrice=True)$fullSVDgtgtUhat,Shat,Vhat.lialg.vd(X,fullmatrice=Fale)号ecoomySVD在R中：Xlt-relicate(3,rorm(5))gtlt-vd(X)gtUlt-8$ult-diag(d)Vlt-SV在Mathematica中：I:X=RadomReal[(0,1),{5,3)]I:[U,S,V=igularValueDecomoitio[X]SVD也可以在其他语言中使用，比如Fortra和C++。事实上，大多数SVD的实现6都是基于Fortra中的LAPACK(线性代数工具包)H)。SVD操作在LAPACK中被指定为DGESVD,它被封装在C++库Armadillo和Eige中。历史回顾SVD有着悠久而丰富的历史，从早期建立基础理论的工作发展到现代的关于计算稳定性和效率的工作。Stewart5oa对SVD发展进行了很好的历史回顾，提供了相关背景和许多重要的细节。这篇文章主要介绍了Beltrami和Jorda(1873)、Sylveter(1889)、入Schmidt(1907)和Wyl(1912)的早期理论工作。该文章还讨论了更为近期的工作，包括Golu及其合作者的开创性计算工作22,21。此外，现代著作中也有许多关于SVD的优秀章节524,17,316本书用途和读者要求SVD是降维中许多相关技术的基础。这些方法包括统计学中的主成分分析(PCA)48,6,2列Karhue-Loeve变换(KLT)2o.34o、气候中的经验正交函数(EOF)B4、流体力学中的本征正交分解(POD)25)、典型相关分析(CCA)3。尽管这些方法是在不同领域独立建立起来的，但其中有许多方法只是在如何进行数据收集和预处理等方面有所不同。Gerrad在文献[204]中对SVD、KLT和PCA之间的关系进行了很好的讨论。SVD还广泛应用于系统辨识和控制理论中获得降阶模型，以此实现如下意义上的平衡：根据测量获得的状态观测能力和执行作用获得的状态控制能力实现状态的分层有序3对于这一章，我们假设读者熟悉线性代数，并有一定的计算和数值方面的相关经验。作为回顾，有许多关于数值线性代数的优秀书籍，那里有关于SVD的讨论524.7,3111.2矩阵近似SVD最有用的定义特性可能是它为矩阵X提供了一个最优的低秩近似。事实上，SVD提供了一个分层的低秩近似，因为保留最前面的？个奇异值和向量，并丢弃其余的项，就可以获得秩为r的矩阵近似。第1章奇异值分解5Schmidt(Gram-Schmidt正交化方法提出者之一)将SVD推广到函数空间，并建立了一个近似定理，将截断SVD作为基础矩阵X的最优低秩近似7o。Schmidt的近似定理被Eckart和Youg重新发现o,有时也被称为Eckart-Youg定理。定理1(Eckart--Youg!7o)最小二乘意义下X的最优秩r近似，由秩rSVD截断文给出：argmiX-XIF=UZV*(1.4)7☐文，.t.rak(X)=r其中，0和V分别表示U和V中前”个先导列，2包含∑中的先导r×r维子块。e表示Froeiu范数。在这里，我们建立了一种表示形式，即截断SVD基（以及得到的近似矩阵文）用文=心V*来表示。由于∑是对角矩阵，秩rSVD近似则是由r个不同的秩1矩阵的和给出：文=∑0u以=o1u山1v+2u2吃+…+r山(1.5)k=1这就是所谓的并向量求和。对于给定的秩r,在，意义下，对于X没有比截断SVD近似文更好的近似。因此，高维数据可由矩阵0和立的列给出的几个主导模式很好地描述。这是SVD的一个重要特性，我们将多次讨论它。有很多包含高维测量值的数据集示例，由此产生一个大的数据矩阵X。然而，在数据中往往存在主导的低维模式，截断SVD的基提供了从高维测量空间到低维模式空间的坐标变换。这样做的好处是减少了大型数据集的规模和维数，为可视化和分析提供了一个易于处理的基。本书考虑的许多系统是动态的（见第7章)，SVD的基提供了用于刻画可观测吸引子的层次模式，在此基础上可以投影一个低维动态系统来获得简化的降阶模型（见第12章）。截断截断SVD如图1.2所示，其中立、立和7表示截断的矩阵。如果X不是满秩的，那么中的一些奇异值可能是零，截断SVD可能仍然是精确的。但是，对于截断值”小于非零奇异值的数目（即X的秩），截断SVD只能如下近似X:X≈02V(1.6)截断秩r有许多选择，将在17节中讨论。如果我们选择截断值来保持所有非零的奇异值，那么X≈立V*就是精确的。示例：图像压缩我们用一个简单的示例来说明矩阵近似的思想：图像压缩。贯穿全书的一个主题是大数据集通常包含易于用低秩表示的基础模式。自然图像提供了一个简单又直观的例子，其具有内在可压缩性。一幅灰度图像可以被认为是一个实值矩阵X∈Rxm,其中和m分别表示垂直和水平方向上的像素个数©。取决于表示（像素空间、傅里叶频域、SVD变换坐标）的基，图像可能有非常紧凑的近似。8日尽管将图像大小指定为垂直的而不是水平的情况并不少见（即X”∈R"),但我们坚持用水平表示替代垂直表示，这是为了与常用矩阵表示法保持一致。6第一部分降维和变换满秩SVD7*XU0截断SVD0图1.2截断SVD示意图。下标“rem”表示立、立和V在截断后的剩余项考虑图1.3中雪狗Mordecai的图像，这幅图像有2000×1500像素。可以对该图像进行SVD,绘制对角线奇异值，如图1.4所示。图1.3给出了在不同截断值r下得到的近似矩阵X。当”=100时，重构图像非常精确，奇异值几乎占图像方差的80%。SVD截断导致对原始图像的压缩，因为只有U和V的前100列以及∑的前100个对角元素被存储在心、立和立中。原始图像r=5,保留0.57%r=20,保留2.33%r=100,保留11.67%图l.3SVD在不同的秩r截断后得到的雪狗Mordecail的图像压缩情况（原始图像分辨率为2000×1500)···试读结束···...

2023-05-15 王占山诗词集 盂县王占山