Deep Learning for SVD and Hybrid Beamforming 个人学习总结，有错误理解，后续修改。

三种不同的DNN架构

1. 输入矩阵通过单个DNN网络计算，直接输出所有的奇异值和奇异向量。
2. 整体包含K个DNN,每一个DNN都被训练来预测最大的奇异值和相关联的左右奇异向量。 低复杂度
3. 输入矩阵到单个DNN,循环迭代的输出一个奇异值和奇异向量。低复杂度+进一步简化SVD操作

K是含义

1. 奇异值分解

   \[A = UΣV^T , (1)\\ A =》 m*n阶,U =>m*m，Σ=>m*n,V=>n*n \\ U^TU=I V^TV=I的m阶与n阶酉矩阵\\ {(Σ)_{ii}} = \delta_i,其他位置的元素均为0，\delta_i为非负且满足σ1⩾σ2⩾...⩾0 \\ 其中U的列向量u_i称为A的左奇异向量, V的列向量v_i称为A的右奇异向量, σi称为奇异值. \\ 矩阵的秩就等于非零奇异值的个数，但是奇异值σ跟特征值类似，在矩阵Σ中也是从大到小排列，\\ 而且σ的减少特别的快，在很多情况下，前10\%奇异值的和就占了全部的奇异值之和的99\%以上了。\\ 也就是说，我们也可以用前r大的奇异值来近似描述矩阵,这能减少存储消耗。在很小的损失下，提取矩阵特征。 \]

2. 使用低秩矩阵近似矩阵A

   \[在A = UΣV^T矩阵分解中,假设给定一个秩为r的矩阵A, 欲求其最优k秩近似矩阵A‘，k<= r(k可以远小于r)\\ min_{A'∈R^{m×n}}∥A−A'∥_F , (2) \]
   \[对A做奇异值分解后，将奇异矩阵Σ中的 (r - k ) 个最小的奇异值=0 .\\ 获的矩阵Σ_k,只保留K个最大的奇异值，则\\ A_k=U_kΣ_kV^T_k ,(3) \\ 其中U_k和V_k分别是算式（1）前k列组成的矩阵，A_k就是A的最优k秩近似矩阵A' \]

3. 参考博客连接

   https://www.cnblogs.com/lhtan/p/7998662.html
   https://www.cnblogs.com/fionacai/p/5767973.html
   

标签：Hybrid,SVD,DNN,矩阵,近似,Deep,奇异,向量
来源： https://www.cnblogs.com/eaapple/p/14358301.html