[线性代数] 矩阵白化

阳光穿透心脏的1/2处 2023-06-04 02:52 28阅读 0赞

# \[线性代数\] 矩阵白化 #

2013-11-25 22:17:22 [kuang\_liu][kuang_liu] 阅读数 3735

本文链接： [https://blog.csdn.net/kuang\_liu/article/details/16951461][https_blog.csdn.net_kuang_liu_article_details_16951461]

给一个任意矩阵 X，一般情况下它的协方差矩阵并不是对角矩阵。矩阵白化就是用一个白化矩阵 A，使 Y = A \* X 的协方差矩阵转化为对角矩阵。

这里首先指出 Y = A \* X 成立的前提是 X 中的元素是按列排列的，如果 X 按行排列，Y = X \* A。

# 1. 数学推导 #

如果数据按行排列则协方差矩阵的定义是（假设 X is already zero-mean）：

![gif.latex_cov_28X_29_20_20_5Cfrac_7B1_7D_7Bm-1_7D_20X_5ETX][]

我们的目标是找到白化矩阵 A 使 cov(Y) 为对角矩阵。为了简化，下面的推导过程中省略了前面的系数 1/(m-1)，U 和 D 分别是 cov(X) 的特征向量和特征值对角矩阵：

![gif.latex_5C_5CY_20_20X_20_5Ccdot_20A_20_5C_5Ccov_28Y_29_20_20Y_5ET_5Ccodt_20Y_A_5ETX_5ET_5Ccdot_20XA_A_5ET_5Ccdot_20cov_28X_29_5Ccdot_20A_20_20_20_20_5C_5CA_20_20U_5Ccdot_20_5Cfrac_7B1_7D_7B_5Csqrt_7BD_7D_7D_5C_5Ccov_28Y_29_5Cfrac_7B1_7D_7B_5Csqrt_7BD_7D_7DU_5ET_20_5Ccdot_20UDU_5ET_5Ccdot_20U_5Cfrac_7B1_7D_7B_5Csqrt_7BD_7D_7D_E][]

结论就是如果数据按行排列，白化矩阵 A 为：

![gif.latex_A_20_20U_5Ccdot_5Cfrac_7B1_7D_7B_5Csqrt_7BD_7D_7D][]

Y = X \* A。

如果数据按列排列，白化矩阵 A 为：

![gif.latex_A_20_20_5Cfrac_7B1_7D_7B_5Csqrt_7BD_7D_7D_5Ccdot_20U_5ET][]

Y =  A \* X。

目的：白化处理是为了去除信号的相关性，设白化矩阵为V，则对中心化的数据X用V做线性变换，得到的新的信号满足不相关且为单位方差。  
V的求解过程：  
1.获得X和X转置矩阵的点积A。  
2.求解A的特征值D和特征向量E。  
3.构造对角矩阵（左上右下）D2，对角线上的元素为D的值。  
4.白化矩阵V就是矩阵D2的平方根与E的转置矩阵的点积。  
5.求得V与X的点积就为X白化处理的矩阵。  
示例：其中X为2\*500的矩阵  
X\_mean = X.mean(axis=-1)  
X -= X\_mean\[:, newaxis\]  
\#whiten  
A = dot(X, X.transpose())  
D , E = linalg.eig(A)  
D2 = linalg.inv(array(\[\[D\[0\], 0.0\], \[0.0, D\[1\]\]\], float32))  
D2\[0,0\] = sqrt(D2\[0,0\]); D2\[1,1\] = sqrt(D2\[1,1\])  
V = dot(D2, E.transpose())  
return dot(V, X), V

# 深度学习入门---PCA，白化 Python实现 #

2017-08-10 10:31:56 [Jiede1][] 阅读数 1413更多

分类专栏： [机器学习][Link 1] [深度学习][Link 2]

本文链接： [https://blog.csdn.net/jiede1/article/details/77039209][https_blog.csdn.net_jiede1_article_details_77039209]

[深度学习入门—PCA，白化 ][PCA]已经完整阐述了PCA和白化算法的原理，这篇博客更新其算法的Python实现。代码有很完整的注释。

#implement PCA file=open('/notebooks/pcaData.txt','r') dataSet=[] for text in file: tt=text.strip().split() line=[] for t in tt: line.append(float(t)) dataSet.append(line) dataSet=np.array(dataSet) dataSet.shape #(2,45) import matplotlib.pylab as plt %matplotlib inline #画出原数据 plt.figure(1) plt.scatter(dataSet[0,:],dataSet[1,:]) plt.title("origin data") #计算协方差矩阵sigma，以及特征向量矩阵u sigma=dataSet.dot(dataSet.T)/dataSet.shape[1] print(sigma.shape) #(2,2) [u,s,v] = np.linalg.svd(sigma) print(u.shape) #(2,2) #画出两个主成分方向 plt.figure(2) plt.plot([0, u[0,0]], [0, u[1,0]]) plt.plot([0, u[0,1]], [0, u[1,1]]) plt.scatter(dataSet[0,:],dataSet[1,:]) #PCA转换数据,不降维 xRot=u.T.dot(dataSet) xRot.shape #(2,45) #画出PCA转换后的数据 plt.figure(3) plt.scatter(xRot[0,:], xRot[1,:]) plt.title('xRot') k = 1; #降维度为1 #PCA降维，xRot[0:k,:] 为降维度后的数据 xRot[0:k,:] = u[:,0:k].T .dot(dataSet) #还原数据 xHat = u .dot(xRot) print(xHat.shape) plt.figure(4) plt.scatter(xHat[0,:], xHat[1, :]) plt.title('xHat') #PCA Whitening # Complute xPCAWhite and plot the results. epsilon = 1e-5 #这部分用到了技巧，利用s的元素运算后（防止数据不稳定或数据溢大，具体看原理），再恢复对角矩阵。具体见diag函数 xPCAWhite = np.diag(1./np.sqrt(s + epsilon)) .dot(u.T .dot(dataSet)) plt.figure(5) plt.scatter(xPCAWhite[0, :], xPCAWhite[1, :]) plt.title('xPCAWhite') #ZCA白化 xZCAWhite = u .dot(np.diag(1./np.sqrt(s + epsilon))) .dot(u.T .dot(dataSet)) plt.figure(6) plt.scatter(xZCAWhite[0, :], xZCAWhite[1, :]) plt.title('xZCAWhite') plt.show()

*  1
 *  2
 *  3
 *  4
 *  5
 *  6
 *  7
 *  8
 *  9
 *  10
 *  11
 *  12
 *  13
 *  14
 *  15
 *  16
 *  17
 *  18
 *  19
 *  20
 *  21
 *  22
 *  23
 *  24
 *  25
 *  26
 *  27
 *  28
 *  29
 *  30
 *  31
 *  32
 *  33
 *  34
 *  35
 *  36
 *  37
 *  38
 *  39
 *  40
 *  41
 *  42
 *  43
 *  44
 *  45
 *  46
 *  47
 *  48
 *  49
 *  50
 *  51
 *  52
 *  53
 *  54
 *  55
 *  56
 *  57
 *  58
 *  59
 *  60
 *  61
 *  62
 *  63
 *  64
 *  65
 *  66
 *  67
 *  68
 *  69
 *  70
 *  71
 *  72

其中，导入的数据pcaData.txt文件数据为：

-6.7644914e-01 -6.3089308e-01 -4.8915202e-01 -4.8005424e-01 -3.7842021e-01 -3.3788391e-01 -3.2023528e-01 -3.1108837e-01 -2.3145555e-01 -1.9623727e-01 -1.5678926e-01 -1.4900779e-01 -1.0861557e-01 -1.0506308e-01 -8.0899829e-02 -7.1157518e-02 -6.3251073e-02 -2.6007219e-02 -2.2553443e-02 -5.8489047e-03 -4.3935323e-03 -1.7309716e-03 7.8223728e-03 7.5386969e-02 8.6608396e-02 9.6406046e-02 1.0331683e-01 1.0531131e-01 1.1493296e-01 1.3052813e-01 1.6626253e-01 1.7901863e-01 1.9267343e-01 1.9414427e-01 1.9770003e-01 2.3043613e-01 3.2715844e-01 3.2737163e-01 3.2922364e-01 3.4869293e-01 3.7500704e-01 4.2830153e-01 4.5432503e-01 5.4422436e-01 6.6539963e-01 -4.4722050e-01 -7.4778067e-01 -3.9074344e-01 -5.6036362e-01 -3.4291940e-01 -1.3832158e-01 1.2360939e-01 -3.3934986e-01 -8.2868433e-02 -2.4759514e-01 -1.0914760e-01 4.2243921e-01 -5.2329327e-02 -2.0126541e-01 1.3016657e-01 1.2293321e-01 -3.4787750e-01 -1.4584897e-01 -1.0559656e-01 -5.4200847e-02 1.6915422e-02 -1.1069762e-01 9.0859816e-02 1.5269096e-01 -9.4416463e-02 1.5116385e-01 -1.3540126e-01 2.4592698e-01 5.1087447e-02 2.4583340e-01 -5.9535372e-02 2.9704742e-01 1.0168115e-01 1.4258649e-01 1.0662592e-01 3.1698532e-01 6.1577841e-01 4.3911172e-01 2.7156501e-01 1.3572389e-01 3.1918066e-01 1.5122962e-01 3.4979047e-01 6.2316971e-01 5.2018811e-01

*  1
 *  2

有 0 个人打赏

转载于:https://www.cnblogs.com/think90/p/11620225.html

[kuang_liu]: https://me.csdn.net/kuang_liu
[CC 4.0 BY-SA]: http://creativecommons.org/licenses/by-sa/4.0/
[https_blog.csdn.net_kuang_liu_article_details_16951461]: https://blog.csdn.net/kuang_liu/article/details/16951461
[gif.latex_cov_28X_29_20_20_5Cfrac_7B1_7D_7Bm-1_7D_20X_5ETX]: http://latex.codecogs.com/gif.latex?cov%28X%29%20=%20%5Cfrac%7B1%7D%7Bm-1%7D%20X%5ETX
[gif.latex_5C_5CY_20_20X_20_5Ccdot_20A_20_5C_5Ccov_28Y_29_20_20Y_5ET_5Ccodt_20Y_A_5ETX_5ET_5Ccdot_20XA_A_5ET_5Ccdot_20cov_28X_29_5Ccdot_20A_20_20_20_20_5C_5CA_20_20U_5Ccdot_20_5Cfrac_7B1_7D_7B_5Csqrt_7BD_7D_7D_5C_5Ccov_28Y_29_5Cfrac_7B1_7D_7B_5Csqrt_7BD_7D_7DU_5ET_20_5Ccdot_20UDU_5ET_5Ccdot_20U_5Cfrac_7B1_7D_7B_5Csqrt_7BD_7D_7D_E]: http://latex.codecogs.com/gif.latex?%5C%5CY%20=%20X%20%5Ccdot%20A%20%5C%5Ccov%28Y%29%20=%20Y%5ET%5Ccodt%20Y=A%5ETX%5ET%5Ccdot%20XA=A%5ET%5Ccdot%20cov%28X%29%5Ccdot%20A%20%20%20%20%5C%5CA%20=%20U%5Ccdot%20%5Cfrac%7B1%7D%7B%5Csqrt%7BD%7D%7D%5C%5Ccov%28Y%29=%5Cfrac%7B1%7D%7B%5Csqrt%7BD%7D%7DU%5ET%20%5Ccdot%20UDU%5ET%5Ccdot%20U%5Cfrac%7B1%7D%7B%5Csqrt%7BD%7D%7D=E
[gif.latex_A_20_20U_5Ccdot_5Cfrac_7B1_7D_7B_5Csqrt_7BD_7D_7D]: http://latex.codecogs.com/gif.latex?A%20=%20U%5Ccdot%5Cfrac%7B1%7D%7B%5Csqrt%7BD%7D%7D
[gif.latex_A_20_20_5Cfrac_7B1_7D_7B_5Csqrt_7BD_7D_7D_5Ccdot_20U_5ET]: http://latex.codecogs.com/gif.latex?A%20=%20%5Cfrac%7B1%7D%7B%5Csqrt%7BD%7D%7D%5Ccdot%20U%5ET
[Jiede1]: https://me.csdn.net/jiede1
[Link 1]: https://blog.csdn.net/jiede1/article/category/6396800
[Link 2]: https://blog.csdn.net/jiede1/article/category/6753134
[https_blog.csdn.net_jiede1_article_details_77039209]: https://blog.csdn.net/jiede1/article/details/77039209
[PCA]: http://blog.csdn.net/jiede1/article/details/77036415