在java中计算截断奇异值分解的最佳方法

我想基准最好的2或3个库来计算截断奇异值分解（SVD），即只保留k个最大奇异值的SVD。 而且，我有这些限制：

它必须是一个Java库

我的矩阵很稀疏（大约1％的非零值）

我的矩阵非常大（通常为10k x 5k）

我的矩阵也可以大于高（5k x 10k）

我遇到了相当多的库，但是例如在Colt中，我甚至不知道SVD算法是否考虑到我的矩阵很稀疏的事实。 另外，我没有找到能够直接计算截断解决方案的单个库（这应该快得多）。 实际上，我最感兴趣的是从截断SVD得到的近似矩阵。

感谢您的帮助，

罗曼·拉罗什

---

我用了很好的http://math.nist.gov/javanumerics/jama/库。

---

我有完全相同的问题，我的解决方案是：

在您的矩阵上运行Apache Commons Math的SVD

截断对角矩阵只保留top-k奇异值

截取其他两个矩阵，只取第一个顶k列和最后一个顶k行

乘以三个矩阵

你得到的是你的原始矩阵的截断SVD。

以下是完整的解决方案，经过几千行/列的矩阵测试。

public static double[][] getTruncatedSVD(double[][] matrix, final int k) {
    SingularValueDecomposition svd = new SingularValueDecomposition(new Array2DRowRealMatrix(matrix));

    double[][] truncatedU = new double[svd.getU().getRowDimension()][k];
    svd.getU().copySubMatrix(0, truncatedU.length - 1, 0, k - 1, truncatedU);

    double[][] truncatedS = new double[k][k];
    svd.getS().copySubMatrix(0, k - 1, 0, k - 1, truncatedS);

    double[][] truncatedVT = new double[k][svd.getVT().getColumnDimension()];
    svd.getVT().copySubMatrix(0, k - 1, 0, truncatedVT[0].length - 1, truncatedVT);

    RealMatrix approximatedSvdMatrix = (new Array2DRowRealMatrix(truncatedU)).multiply(new Array2DRowRealMatrix(truncatedS)).multiply(new Array2DRowRealMatrix(truncatedVT));

    return approximatedSvdMatrix.getData();
}

链接地址: http://www.djcxy.com/p/49107.html

上一篇: Best way to compute a truncated singular value decomposition in java

下一篇: Large Sparse Matrix Eigendecomposition in JAVA