Professional Documents
Culture Documents
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Sumario
1 2 3 4 5 6 7 8
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Apresentacao
Metodos de analise Mtodos modernos de anlise de dados; e a Decomposio em Valores Singulares (SVD); ca Decomposio em Autovalores (EVD); ca Aplicaes de tais mtodos. co e
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Apresentacao
Nessa jornada... Passearemos um pouco pela a lgebra linear; a Contemplaremos a pureza dos autovalores; Discutiremos a teoria da SVD; Nos deliciaremos com algumas aplicaes. co
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Introducao
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Introducao
Objetivos Desenvolver uma teoria razovel; a Apresentar os principais resultados; Construir a SVD; Mostrar aplicaes. co
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Introducao
Topicos Tpicos Matriciais; o Autovalores e Autovetores; Decomposio em Valores Singulares (SVD); ca Compresso de Imagens; a Sinalizao Amb ca gua; Eigenfaces.
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Introducao
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Historia
Eugenio Beltrami (italiano)(1873) Foi o desenvolvedor da SVD; Criou um algoritmo prprio para o clculo da SVD; o a Seu mtodo tinha limitaes: matrizes reais, quadradas, e co no-singular e com autovalores distintos. a
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Historia
Camille Jordan (frances)(1874) Descobriu a SVD um ano depois de Beltrami; Sua ttica: reduzir uma forma bilinear a uma forma diagonal a por substituies ortogonais; co Soluo mais elegante do que a de Beltrami; ca Tcnica sem o devido reconhecimento. e
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Historia
James Sylvester (ingles)(1889) Obteve resultados similares ao de Jordan; Seu mtodo envolvia ignorar termos de segunda ordem. e
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Historia
Erhard Schmidt (alemao)(1907) Foi o primeiro a introduzir a SVD em equaoes integrais; c Usou a SVD para obter uma melhor aproximao de um ca operador.
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Historia
Herman Weyl (alemao)(1912) Desenvolveu uma teoria de perturbao geral; ca Deu uma elegante prova do teorema da aproximao. ca
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Historia
Gene Golub (norte-americano)(1970) Um dos principais contribuintes para algoritmos para decomposio de matrizes; ca Criou um algoritmo estvel e eciente que at hoje usado. a e e
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Historia
Curiosidades Historicos A expresso valores singularespartiu provavelmente da teoria a das equaes diferenciais; co No usado de forma consistente at meados do sculo XX. a e e
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Parte I MATRIZES
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Matrizes
Definicao Uma matriz Amn um agrupamento retangular de m n e nmeros. Os nmeros deste agrupamento so chamdos entradas u u a da matriz e so representados por indexaes do tipo aij . a co
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Matrizes
Representacao Quando se interessa em mostrar a matriz, costuma-se represent-la a da seguinte forma: a11 a12 a13 a1n a21 a22 a23 a2n A = a31 a32 a33 a3n . . . . .. . . . . . . . . . am1 am2 am3 amn
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Matrizes
Nomenclatura Quando for desejado uma notao mais compacta para representar ca uma matriz Amn , podemos escrever da seguinte forma: Amn = [aij ]mn ou A = [aij ]
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Matrizes
Matriz quadrada Dizemos que uma matriz quadrada quando o nmero de linhas e u dela coincidir com o nmero de colunas. u Diagonal de uma matriz Chamamos o conjuto de elementos a11 , a22 , a33 , ..., aij , onde i = j de diagonal da matriz A (no necessariamente quadrada). a
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Matrizes
Exemplos de matrizes 9 16 1 A = 3 22 0 8 10 0 9 6 0 15 B = 5 2 15 70 7 1 20 0, 9
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Matrizes
Definicao (Igualdade entre matrizes) Duas matrizes A e B so iguais se, e somente se, tiverem o mesmo a tamanho m n e se as entradas aij e bij forem iguais para todo i m e j n.
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Matrizes
Definicao (Soma de matrizes) Se A e B so matrizes do mesmo tamanho, ento a soma A + B a a e a matriz obtida somando as entrada de A `s entradas a correspondetes de B. Matrizes de tamanho distintos no podem a ser somadas ou subtra das.
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Matrizes
Proriedades da Soma 1 A + B = B + A
2 3 4
A + (B + C) = (A + B) + C A+0=A A + (A) = 0
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Matrizes
Definicao (Produto de matrizes por escalares) Se A uma matriz e c um escalar, ento o produto cA a e e a e matriz obtida pela multiplicao de cada entrada da matriz A por ca c. A matriz cA chamada de mltiplo escalar de A. e u
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Matrizes
1A = A (a + b)A = aA + bA a(A + B) = aA + aB
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Matrizes
Definicao (Produto entre duas matrizes) Sejam Amn e Bnp duas matrizes com o nmero de colunas de A u igual ao nmero de linhas de B. Denimos o produto entre elas u como a matriz m p, C = AB, com as entradas cij calculadas da seguinte forma:
n
cij =
k=1
aik bkj ,
para i = 1, ..., m e j = 1, ..., p. Observacao No se deni o produto entre matrizes quando o nmero de a u colunas de A no for igual ao nmero de linhas de B. a u
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Matrizes
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Matrizes
Observacao No vale necessariamente a comutatividade em relao ao produto a ca de matrizes. Ou seja, AB = BA nem sempre verdade. e
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Matrizes
0 A = A 0A = 0 0A = 0; A0 = 0 Im A = A; AIn = A
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Matrizes
Definicao (Transposta) Se A uma matriz m n qualquer, ento a transposta de A, e a denota-se por AT , denida como a matriz n m que resulta da e permutao das linhas com as colunas de A; ou seja, a i-sima ca e coluna de AT i-sima linha de A. e e
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Matrizes
5 3 0 6 2 4 1 0 2 0 1
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Matrizes
Propriedades da trasnposta
1 2 3 4
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Matrizes
Definicao (Matriz Simetrica) Se uma matriz satisfaz AT = A, dizemos que ela uma matriz e simtrica. e Teorema 1 Toda matriz diagonal quadrada simtrica. e e
2 3 4
A matriz AT A simtrica, qualquer que seja a matriz A. e e A matriz AAT simtrica, qualquer que seja a matriz A. e e Se A simtrica, ento A pode ser escrita como e e a A = BBT = CT C, para alguma matriz B ou C.
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Matrizes
1 3 7 9 1 3 3 13
C=
CCT =
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Matrizes
Definicao (Inversa) Se A e B so duas matrizes tais que AB = BA = I, dizemos que a B a matriz inversa de A e a denotamos por A1 . e
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Matrizes
1 0 0 1
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Matrizes
Usando o MatLab (Inversa de uma Matriz) Sintxe: a B = inv(A) Retorna a inversa (quando existir) de uma matriz quadrada.
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Matrizes
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Matrizes
Definicao (Menor) Seja A uma matriz de ordem m n. Denota-se por Aij a matriz menor de A sobre a entrada ij. Esta matriz a matriz A sem a e linha i e a coluna j. Em outras palavras, Aij = [akl ], para 1 k m; k = i e 1 l n; l = j.
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Matrizes
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Matrizes
Usando o MatLab (Matriz Menor) Sintxe: a B = menor(A,i,j) Retorna a menor (i,j) da matriz A.
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Matrizes
Definicao (Determinante) Seja A uma matriz quadrada de ordem n. Chama-se determinante da matriz A o valor da funo denida recursivamente da seguinte ca forma
n
det (A) =
k=1
onde det ([a11 ]) = a11 (determinate de uma matriz 1 1 igual ao e valor da sua unica entrada).
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Matrizes
Propriedades do determinante 1 O determinante de uma matriz n n que possui pelo menos uma linha ou coluna nula zero. e
2 3
O determinante da matriz identidade um. e Se uma matriz n n possui pelo menos uma linha(coluna) mltipla de outra linha(coluna), seu determinante nulo. u e Se uma matriz n n possui uma linha(coluna) que pode ser escrita como combinao linear das demais linhas(colunas), ca seu determinante nulo. e
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Matrizes
= (1)1+1 3
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Matrizes
Usando o MatLab (Determinante) Sintxe: a d = det(A) Retorna o determinante da matriz A quadrada pelo mtodo de e Lagrange.
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Matrizes
Mais propriedades do determinante 1 Se o determinante de uma matriz nulo, ento seus vetores e a colunas (ou vetores linhas) so linearmente dependentes. a
2 3 4
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Matrizes
Definicao (Matriz Diagonal) Uma matriz m n dita matriz diagonal se todo elemento no e a pertencente ` diagonal dela for nulo. Escrevemos a A = diag(a1 , a2 , a3 , . . . , ap )mn Teorema O determinante de uma matriz diagonal n n igual ao produto e dos n elementos de sua diagonal.
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Matrizes
5 0 0 0 0
0 0 7 0 0 11 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0
B = diag(9, 1, 1, 0)44
9 0 = 0 0
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Matrizes
Definicao (Matriz Ortogonal) Uma matriz A dita ortogonal se AAT = I. Portanto, A ter que e a ser uma matriz quadrada. Teorema Se A uma matriz ortogonal, ento det(A) = 1 e a
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Matrizes
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Matrizes
Definicao (Similaridade) Sejam A e B matrizes quadradas n n. Dizemos que A similar ` e a B (escrevemos A B) se existir uma matriz X n n invert tal vel que A = XBX1 Teorema Matrizes similares possuem o mesmo determinante.
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Matrizes
2 3 3 5
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Matrizes
Definicao (Produto Interno Vetorial) O produto interno de dois vetores uma funo Rn Rn R e ca denida por
n
x, y =
i=1
xi yi
Equivalentemente, e mais conveniente, temos x, y = xT y Nessa segunda forma, os vetores so tratados como matrizes n 1 a e os escalares como matrizes 1 1.
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Matrizes
Definicao (Produto Interno Matricial) O produto interno de duas matrizes uma funo e ca Rmn Rmn R denida por
m n
A, B =
i=1 j=1
aij bij
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Matrizes
Usando o MatLab (Produto Interno) Sintxe: a x = interno(u,v) x = interno(A,B) Retorna o porduto interno vetorial (matricial) de dois vetores (matrizes) u e v (A e B).
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Matrizes
v, v > 0, se v = 0 v, u = u, v v + u, w = v, w + u, w u, v = v, u Todas essas propriedades do produto interno vetorial tambm e so vlidas para o produto interno matricial. a a
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Matrizes
Definicao (Norma Eclidiana de Vetores) A norma padro (Euclidiana) de vetores uma funo a e ca Rn R[0, ] denida por x = de modo equivalente, temos x =
n
x, x
xT x
=
i=1
xi2
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Matrizes
Definicao (Norma de Matrizes) A norma (2) de matrizes uma funo Rmn R[0, ] denida e ca por A = max (svd(A))
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Matrizes
Definicao (Norma Frobenius) A norma de Frobenius de uma matriz uma funo e ca mn R[0, ] denida por R A de modo equivalente, temos
m n 2 aij i=1 j=1 F
A, A
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Matrizes
Usando o MatLab (Norma) Sintxe: a n = norm(v) n = norm(A,p) Retorna a norma padro do vetor v. a Retorna a norma como o maior valor singular da matriz A. [p=2] Retorna a norma de Frobenius da matriz A. [p=fro]
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Matrizes
v > 0, se v = 0 v = || v v+u v + u Todas essa propriedades so vlidas para qualquer norma aqui a a denida.
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Matrizes
Definicao (Cosseno do Angulo Entre Vetores) O cosseno do ngulo entre dois vetores uma funo a e ca n Rn R[1, 1] denida por R cos() = u, v u v
onde = ang(u, v) o ngulo entre os vetores u e v. e a Observacao Apesar do ngulo entre vetores no estar bem denido, a denio a a ca acima nos satisfatria para o que pretendemos aplic-la. A idia e o a e de ngulo deve ser sugerida como um valor real para tal que o a cos() seja como est acima. a
Walner Mendona c Singular Value Decomposition (SVD)
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Matrizes
Propriedades do cosseno do angulo entre vetores 1 cos() [1, 1] R
2
Quanto mais prximo de 1 for o mdulo do cosseno do ngulo o o a entre dois vetores, mais prximos de serem paraleloseles o estaro. a Se o cosseno do ngulo entre dois vetores for 1, ento eles a a esto na mesma direo e no mesmo sentido. a ca Se o cosseno do ngulo entre dois vetores for -1, ento eles a a esto na mesma direo, mas em sentidos opostos. a ca Se o cosseno do ngulo dois vetores for 0, ento eles so a a a perpendiculares (a projeo de um sobre o outro nula). ca e
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Autovalores e Autovetores
Definicao (Autovalores e Autovetores) Seja A Rnn uma matriz quadrada. Um vetor no-nulo x Rn a e um autovetor ou um vetor caracter stico de A, e R o e autovalor ou um valor caracter stico correspondente, se Ax = x. Consequencias da definicao 1 A cada autovetor, corresponde um unico autovalor.
2
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Autovalores e Autovetores
Usando o MatLab (Eigen Show) Sintxe: a eigshow(A) Demonstrao grca dos autovalores para matrizes 2 2. ca a Observacao Quando x for paralelo a Ax, teremos x sendo um autovetor da matriz. A norma de Ax o correspondente autovalor. e Questoes 1 Quais matrizes dos eigshow so ortogonais? a
2
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Autovalores e Autovetores
Usando o MatLab (Autovalores e Autovetores) Sintxe: a [V, E] = eig(A) [V, E] = eigs(A) V a matriz dos autovetores. e E a matriz diagonal dos autovalores. e
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Autovalores e Autovetores
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Autovalores e Autovetores
Definicao (Polinomio Caracter stico) Seja A uma matriz n n e um escalar em R. O polinmio o caracter stico da matriz A o polinmio e o PA () = det(A I). Teorema uma autovalor de A se, e somente se, raiz do polinmio e e o caracter stico PA (). Em outras palavas, para algum x, satisfaz Ax = x PA () = det(A I) = 0.
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Autovalores e Autovetores
Usando o MatLab (Matematica Simbolica) Sintxe: a S = sym(A) Transforma a estrura de dados A em um objeto simblico S. o
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Autovalores e Autovetores
Usando o MatLab (Polinomio Caracter stico) Sintxe: a p = poly(A) Exibe os coecientes do polinmio caracter o stico da matriz A. Quando A for uma estrutura simblica, poly(A) retornar o o a polinmio caracter o stico na forma simblica. o
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Autovalores e Autovetores
Usando o MatLab (Fatoracao) Sintxe: a p = factor(poly(A)) Exibe o polinmio caracter o stico fatorado na forma simblica. o
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Autovalores e Autovetores
Procedimento para o calculo de autovalores 1 Encontrar o polinmio caracter o stico da matriz. PA () = det(A I)
2
Achar as ra do polinmio caracter zes o stico. Estas sero os a autovalores. PA () = 0 Resolver o sistema (A i I)x = 0, para cada autovalor i . Cada vetor soluo ser um autovetor da matriz A. ca a
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Autovalores e Autovetores
Exemplo 2 3 1 A = 1 2 1 PA () = 1 3 2 2 3 1 1 2 1 1 3 2
PA () = ( 1)2 1 = 0, 2 = 3 = 1
2 i 1 (A i I)x = 1
3 2 i 3
1 xi 0 yi = 0 1 zi 0 2 i
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Autovalores e Autovetores
Exemplo (continuacao) Para i = 1, temos 1 = 0 20 3 1 x1 0 2 0 1 y1 = 0 (A 1 I)x = 1 1 3 20 z1 0 2x1 3y1 + 1z1 = 0 1x1 2y1 + 1z1 = 0 1x1 3y1 + 2z1 = 0 (x1 , y1 , z1 ) = (1, 1, 1) x1 = z1 y1 = z1
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Autovalores e Autovetores
Exemplo (continuacao) Para i = 2 = 3, temos 2 = 3 = 1 21 3 1 x2 0 2 1 1 y2 = 0 (A 2 I)x = 1 1 3 21 z2 0 1x2 3y2 + 1z2 = 0 1x2 3y2 + 1z2 = 0 z2 = 3y2 x2 1x2 3y2 + 1z2 = 0 (x2 , y2 , z3 ) = (x3 , y3 , z3 ) = (, , 3) = (1, 0, 1)+(0, 1, 3)
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Autovalores e Autovetores
Exemplo (continuacao) Concluso: a Autovalor Multiplicidade Autovetor associado Espao gerado c 0 1 (1,1,1) (1, 1, 1) 1 2 (1,1,2) (1, 0, 1) + (0, 1, 3)
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Autovalores e Autovetores
Propriedades dos autovalores 1 Os autovalores de uma matriz diagonal so os elementos de a sua diagonal.
2
Os autovalores da transposta de A so os mesmos autovalores a de A. Os autovalores de uma matriz simtrica so todos reais. e a Matrizes similares possuem os mesmos autovalores.
3 4
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Autovalores e Autovetores
Propriedades de uma matriz diagonal 1 A = diag(a , a , ..., a ), B = diag(b , b , ..., b ) 1 2 n 1 2 n AB = diag(a1 b1 , a2 b2 , ..., an bn )
2 3 4
Toda matriz diagonal quadrada simtrica. e e A1 = diag(a1 , a1 , ..., a1 ) n 1 2 O determinante de uma matriz diagonal n n igual ao e produto dos n elementos de sua diagonal. Os autovalores de uma matriz diagonal so os elementos de a sua diagonal.
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Autovalores e Autovetores
Definicao (Matriz Diagonalizavel) Uma matriz n n, A, dita diagonalizvel se existe uma matriz e a no singular X e uma matriz diagonal tais que a A = XX1 Dizemos que X diagonaliza A.
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Autovalores e Autovetores
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Autovalores e Autovetores
Teorema Uma k-sima potncia de A similar a uma k-sima potncia de e e e e e sendo X a matriz diagonalizante. Ak = Xk X1
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Autovalores e Autovetores
Teorema Uma matriz A diagonalizvel se, e somente se, o determinante e a da matriz, cuja as colunas so formadas por autovetores de A, for a no-nulo. a
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Autovalores e Autovetores
Propriedades de uma matriz ortogonal Seja A uma matriz ortogonal.
1 2 3 4 5 6
A1 = AT Se A uma matriz ortogonal, ento det(A) = 1 e a Ax, Ay = x, y A =1 Ax = x Os autovalores reais de uma matriz ortogonal igual a 1 ou e 1. Se B uma matriz ortogonal, ento AB tambm ortogonal. e a e e
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Autovalores e Autovetores
Decomposicao de Schur Se A uma matriz n n com entradas reais e autovalores reais, e ento existe uma matriz ortogonal Q tal que a A = QQ1 onde uma matriz triangular superior da forma e 1 0 2 = 0 0 3 . . . .. . . . . . . . . . . 0 0 0 n com i sendo autovalores de A repetidos de acordo com a multiplicidade.
Walner Mendona c Singular Value Decomposition (SVD)
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Autovalores e Autovetores
Usando o MatLab (Decomposicao de Schur) Sintxe: a [U,T] = schur(A) U a matriz ortogonal da decomposio. e ca T a matriz de Schur. e
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Autovalores e Autovetores
Decomposicao de Hessenberg Uma decomposio de Hessenberg de qualquer matriz A, n n ca e uma fatorao do seguinte tipo, onde Q uma matriz ortogonal e ca e uma matriz Hessenberg superior. e A = QQ1 0 . 0 0 .. . . . .. . . . . . . . 0 0 0 0 . . . . . . . . . 0
Singular Value Decomposition (SVD)
= 0 0
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Autovalores e Autovetores
Usando o MatLab (Decomposicao de Hessenberg) Sintxe: a [P,H] = hess(A) P a matriz ortogonal da decomposio. e ca H a matriz de Hessenberg. e
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Autovalores e Autovetores
Decomposicao em Autovalores (EVD) Uma decomposio em autovalores (EVD) da matriz simtrica ca e n n, A, uma fatorao da seguinte forma e ca A = QQ1 onde Q uma matriz ortogonal e = diag(1 , 2 , ..., n ), com i e sendo autovalores de A.
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Propriedades
T AI J = UI I I J VJJ
UUT = IdI (Ortogonal de ordem I); VVT = IdJ (Ortogonal de ordem J); = diag(1 , 2 , . . . , P )I J , com P = min(I , J) e 1 2 P 0.
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Nomenclatura Os k pertencentes ` matriz chamam-se valores singulares; a Os vetores colunas uk da matriz U so os vetores singulares a esquerdos; Os vetores colunas vk da matriz V so os vetores singulares a direitos.
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Usando o MatLab (SVD) Sintxe: a [U, S, V] = svd(A) [U, S, V] = svds(A) U a matriz dos vetores singulares esquerdos. e V a matriz dos vetores singulares direitos. e S a matriz dos valore singulares da matriz A. e
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
5 1 14 14
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Comando svd Usando svd para calcular a SVD vetores singulares esquerdos 0.22 0.97 0.05 0.06 U= 0.69 0.16 0.69 0.16
de A, temos os seguintes 0.07 0.00 1.00 0.00 0.03 0.71 0.03 0.71
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Comando svds No entanto, svds troca os sinais dos primeiros trs pares de e vetores singulares. Abaixo os vetores singulares esquerdos so a mostrados (os vetores singulares direitos tm um sinal e correspondente). 0.22 0.97 0.07 0.00 0.05 0.06 1.00 0.00 U= 0.69 0.16 0.03 0.71 0.69 0.16 0.03 0.71
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Os vetores x e y so os vetores singulares direitos da matriz; a Os vetores Ax e Ay, normalizados, so os vetores singulares a esquerdos da matriz; A norma de Ax e Ay so os valores singulares. a
Walner Mendona c Singular Value Decomposition (SVD)
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Propriedades da SVD
1 2 3 4 5
A = UVT AT = VT UT AT A = VT UT UVT = V(T )VT AAT = UVT VT UT = U(T )UT T AAT eig (T ) = eig (AAT ) i2 = i i = i onde i i-simo autovalor de AAT . O outro caso ( que e e segue (2) ) anlogo e se chega ao mesmo resultado. e a
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Propriedades da SVD
1
Segue de (2) que V diagonaliza AT A, portanto os vi , vetores singulares esquerdos de A, so autovetores de AT A. a Segue de (3) que U diagonaliza AAT , portanto os ui , vetores singulares direitos de A, so autovetores de AAT . a Segue de (5) um meio de calcular os autovalores de A: i = i
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Teorema Se A uma matriz simtrica, ento a SVD de A se resumo a EVD e e a de A. Observacao Se A uma matriz simtrica, ento as matrizes ortogonais da SVD e e a de A sero as mesmas. Consequentemente, os autovalores de A a sero iguais aos seus valores singulares. a
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
x1 = y1 (x1 , y1 ) = (1, 1) Exemplo (continuacao) (2 0)x2 + 2y2 = 0 2x2 + (2 0)y2 = 0 2x2 + 2y2 = 0 2x2 + 2y2 = 0
x2 = y2 (x2 , y2 ) = (1, 1)
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Exemplo (continuacao) Matriz dos vetores singulares direitos: vi = (xi , yi ) (1, 1) (1, 1) v1 = ; v2 = (xi , yi ) 2 2 1 2 V= 1 2 1 2 1 2
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
2 i 2 0
2 2 i 0
0 0 xi 0 yi = 0 z1 i 0 =0 =0 =0
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
0 1
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
1 2 0 2 0 0 0 1 0 0 2 1
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Exemplo (continuacao) Concluso: a Autovalor Valor singular Vetor singular direito Vetor singular esquerdo 4 2 1 1 ( 2 , 2 ) 1 1 ( 2 , 2 , 0) 0 0 1 1 ( 2 , 2 ) 1 1 ( 2 , 2 , 0); (0, 0, 1)
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
O Teorema da SVD 1 Sempre poss e vel decompor uma matriz A em valores singulares.
2
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Definicao (rank de uma matriz) O rank de uma matriz I J, A, o nmero de valores singulares e u distintos. Observacao O rank de uma matriz na verdade o nmero de colunas (ou e u linhas) linearmente independentes, o que equivalente ao nmero e u de valores singulares.
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Usando o MatLab (Rank de uma Matriz) Sintxe: a k = rank(A) Retorna o rank da matriz A.
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Forma truncada
K T A UK K VK = = k=1 T k uk vk = A(k)
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Propriedades da truncada 1 Segue da denio de matriz truncada que, para ca K < rank(A) P = min(I , J), A=
T UK K VK
K P
3
K P
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Usando o MatLab (Truncada de uma Matriz) Sintxe: a B = truncada(A,k) Retorna a forma truncada de ordem k de uma matriz de posto r k.
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Reflexividade
T T k uk vk = k (uk )(vk )
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Parte IV APLICACOES
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Aplicacoes da SVD
Atributos da SVD Simplicao de dados; ca Praticidade no tratamento dos dados; Ortogonalizao de espaos; ca c Aproximaes; co Maximizao do desempenho. ca
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Aplicacoes da SVD
Algumas dos metodos mais comum Anlise de Componentes Principais (PCA); a Indexamento Semntico Latente (LSI)); a Seleo induzida de hipertextos tpicos (HITS); ca o Anlise de Classicaes, Anlise de agrupamentos; a co a
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Aplicacoes da SVD
Aplicacoes apresentadas aqui Indexamento Semntico Latente (LSI); a Compresso de Imagens; a Algoritmo SignFlip; Anlise de Dados Espectrais; a Anlise de Componentes Principais (PCA); a Eigenfaces.
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Parte IV APLICACOES
Aplicao 1 ca Indexamento Semntico Latente (LSI) a
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Carregar base de dados. Montar a matriz de frequncia das palavras-chave e (previamente denidas). [A] Normalizar a matriz. [Q] Ler palavras-chave (com base nas palavras-chave dos aquivos da base de dados). Formar um vetor de busca. [v] Normalizar o vetor de busca. [x] Calcular o vetor de correlao. [y = QT x] ca O arquivo que melhor se ajusta ao critrio de busca aquele e e correpondente ao yi mais prximo de 1. o
Walner Mendona c Singular Value Decomposition (SVD)
3 4
5 6 7 8
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Palavras-Chave 0 1 0 1 1 0 0 5 3 2 5 4 0 3 3 3 4 4 3 2 0 3 0 4 3 0 4 6 0 2 2 3 3 0 1 2 4 2 1 1 5 1 3 1 0 3 4 1 0 3
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
x= a x= a
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Calcular o Vetor de Correlacao y = QT x yi = qT x = cos()i i y= 0.00 0.23 0.57 0.33 0.64 0.58 0.00 0.54
T
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Aproximando a Base de Dados Devido a problemas de polissemia e sinon mia, nosso mtodo e de busca no perfeito. a e Suponha que fosse poss corrigir esse problemas e chegar a vel uma matriz de dados perfeita P. Podemos pensar em E = Q P como uma matriz que representa o erro da aproximao. ca Encotremos uma aproximao de Q mais simples, Q1 (com ca posto menor). Q1 ser a truncada de Q de ordem k. a Veja que pode acontecer de E1 ser menor que E .
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Aproximando a Base de Dados A multiplicao QT x requer um total de mn multiplicaes de ca co escalares. Se r min(m, n)/2, a multiplicao Q1 = V1 1 UT e a ca 1 multiplicao QT x requerem juntas um total de r (m + n + 1) ca 1 multiplicaes de escalares. co
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Parte IV APLICACOES
Aplicao 2 ca Compresso de Imagens a
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Compressao de Imagens
Carregar imagem. Transforma a imagem numa matriz. Calcular a forma truncada de ordem k por meio da SVD. Transforma a matriz numa imagem. Exibir a imagem.
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Parte IV APLICACOES
Aplicao 3 ca Ambiguidade no sinal da SVD Algoritmo SignFlip
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Essencia do Metodo
Idealizacao Matematicamente, no h maneira de evitar a ambiguidade a a do sinal de um termo multiplicativo, como o par de vetores singulares. A m de identicar o sinal de um vetor singular, sugere-se que seja semelhante ao sinal da maioria dos vetores que est a representando. Geometricamente, ele deve apontar na mesma direo, e no ca a na direo oposta dos pontos que esto representando. ca a
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Exemplo
Quatro exemplos de matrizes 102 aleatorias
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Exemplo
Exemplo de uma matriz de dados
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Funcao SignFlip
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Funcao SignFlip
1 passo Para cada vetor singular ` esquerda, k = 1, 2, ..., K e para yj sendo a a j-sima coluna de Y e
K
Y =X
m=1,m=k J esquerdo Seja sk = j=1
T m um vm
sign(uT yj )(uT yj )2 k k
m do para
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Funcao SignFlip
2 passo Para cada vetor singular ` direita, k = 1, 2, ..., K e para yi sendo a a i-sima linha transposta de Y e
K
Y =X
m=1,m=k I direito Seja sk = i=1
T m u m vm
T T sign(vk yi )(vk yi )2
m do para
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Funcao SignFlip
3 passo Para cada vetor singular, k = 1, 2, ..., K
esquerdo direito ) < 0, ento se (sk )(sk a esquerdo direito ), ento se (sk ) < (sk a esquerdo esquerdo sk = sk se no, a direito = s direito sk k m do se m do se
(...)
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Funcao SignFlip
m do para
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Funcao SignFlip
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Parte IV APLICACOES
Aplicao 4 ca Exemplos de uso da conveno de sinais: ca Dados Espectrais
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Dados espectrais Um exemplo para a ilustraco da ambiguidade no sinal da SVD a a e anlise de Dados Espectrais. a
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Figura: Bootstrapped dos trs primeiros vetores singulares direitos a e partir da Figura 6 antes (superior) e depois (inferior) da correo do sinal. ca
Walner Mendona c Singular Value Decomposition (SVD)
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Parte IV APLICACOES
Aplicao 5 ca Anlise de Componentes Principais (PCA) a
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Metodologia Rotina:
1 2 3 4
Carregar base de dados. Montar a matriz correpondente a base de dados. [A] Calcular a matriz dos desvios mdio. [X] e Computar a matriz de covarincia. [S = a
XT X n1 ]
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Aluno S1 S2 S3 S4 S5 S6 S7 Mdia e
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
e u3 =
x3 x3
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Matriz de correlacao 1 0, 92 0, 83 1 0, 83 C = UT U = 0, 92 0, 83 0, 83 1
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
xi2 =
i=1
xT x n1
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Componentes Principais Evitar a correlao entre os dados. ca Tornar os fatores hipotticos no correlacionados. [yi ] e a Portanto, queremos introduzir vetores mutuamente ortogonais, yi , correspondentes aos fatores hipotticos. e Alm disso, queremos numerar esse vetores em ordem e decrescente de varincia. a
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Problema das componentes principais Queremos, portanto, fatorar a matriz de dados X (m n, onde n e o nmero de fatores hipotticos - testes) da seguinte forma u e X = UW onde U a matriz das componentes principais normalizadas e W e e a matriz que mede em que extenso cada teste depende dos a fatores hipotticos. e
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Problema das componentes principais Em geral, a SVD resolve a PCA. Se X tem posto r e sua SVD, X = UV (truncada), ento os vetores componente principais so a a dados por y1 = 1 u1 , ..., yr = r ur Os vetore ` esquerda u1 , ..., un so os vetores componentes a a principais normalizados. Se zermos W = VT , ento a X = UW
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Parte IV APLICACOES
Aplicao 6 ca Eigenfaces
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Eigenfaces
Eigenfaces Um exemplo para a ilustraco da ambiguidade no sinal da SVD e a da PCA uma tcnica bem conhecida chamada Eigenfaces, muitas e e vezes usado no reconhecimento de faces.
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Eigenfaces
Usando o MatLab (Eigenfaces) Rotina: (1 Parte - Preparar o banco de faces)
1 2
Carregar base de n faces. Cada face uma matriz NL NC . e Vetorizar as matrizes correspondente a cada face: ei , M 1, onde M = NL NC . Computar o vetor face mdia: . e Subtrair de cada vetor-face a face mdia (Matriz dos Desvios): e i = ei
3 4
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Eigenfaces
Calcular os autovetores da matriz de covarincia C = T , a (M M): (INVIAVEL!) Calcular os autovetores da matriz L = T , (n n). eig(T ) = svd(T ) = VT VT Portanto, V a matriz dos autovetores de L. e Computar o Eigenspace: U = EV, onde E = [e1 , ..., en ].
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Eigenfaces
Usando o MatLab (Eigenfaces) Rotina: (3 Parte - Comparando as Projees) co
1 2
Calcular a distncia entre a face-teste projetada (w) e os a vetores-faces proetados (yi ): disti = yi w
Pegar o vetor-face projetado menos distante da face-teste projetada e a sua numerao (dist min , k). ca
Walner Mendona c Singular Value Decomposition (SVD)
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Eigenfaces
Usando o MatLab (Eigenfaces) Rotina: (4 Parte - Classicando a Imagem)
1
Se dist min > Limite, ento a face-teste no pertence ao banco a a de faces e nem ao menos possui uma similar. Se dist min < Limite e dist min = 0, ento a face-teste possui a uma similar no banco de faces (a face k). Se dist min < Limite e dist min = 0, ento a face-teste pertence a ao banco de faces, sendo k a sua numerao. ca
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Figura: Eigenfaces correspondentes aos trs primeiros vetores singulares e obtidos em execues diferentes do mtodo svd em MATLAB, quando co e 200 de 265 imagens so aleatoriamente amostradas em cada execuo. a ca
Walner Mendona c Singular Value Decomposition (SVD)
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Figura: Eigenfaces correspondentes aos trs primeiros vetores singulares e obtidos de forma consistente em execues diferentes com a funo co ca SignFlip quando 200 de 265 imagens so aleatoriamente amostradas em a cada execuo. ca
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Referencias
Banco de faces Pode-se encontrar o banco de faces usado a aplicao Eigenface no ca seguinte site: http://www.cl.cam.ac.uk/research/dtg/attarchive/facedatabase.html
Walner Mendona c
Apresentao ca
Introduo ca
Histria o
Matrizes
EVD
SVD
Aplicaes co
Referncias e
Referencias
1
Linear Algebra; Kenneth Homan & Ray Kunze; editora Prentice Hall, 2ed. Algebra Linear com aplicaes; Steven J. Leon; editora LTC, co 8ed. Singular value decomposition, eigenfaces, and 3D reconstructions; Muller, N., Magaia, L. and Herbst B. M; SIAM Review, Vol. 46 Issue 3, pp. 518545. Dec. 2004. On the early history of the singular value decomposition; G. W. Stewart; IMA Preprint Series n952, abril de 1992. Singular Value Decomposition Tutorial; Kirk Baker; March 29, 2005; http://www.cs.wits.ac.za/ michael/SVDTut.pdf Resolvign the sign ambiguity in the singular value decomposition; R. Broa, E. Acar e Tamara G. Kolda; J. Chemometrics 2008, 22, 135-140.
Walner Mendona c Singular Value Decomposition (SVD)