问：最优乘积量化(Optimized Product Quantization)
- 答：相似厅裤厅近邻搜索--乘积量化
论文：Optimized Product Quantization
主要思想：优化向量空间的分解，缩小量化前后向量的差距。
文中提出两种优化向量空间分解扮隐的方案：
一、纯搜无参优化向量空间的分解
其中，正交矩阵R由奇异值分解得到，R和聚类中心交替更新。
二、有参优化向量空间的分解
假设数据满足高斯分布，用PCA方法为特征值排序，根据特征值重排特征向量（放置到已分配奇异值乘积最小的子空间），形成旋转矩阵R。
优点：有理论保证；可为无参方法提供初始化。
参考文献：
1] Tiezheng Ge, Kaiming Hey, Qifa Ke, and Jian Sun. Optimized Product Quantization. IEEE Trans Pattern Anal Mach Intell. 2014 Apr;36(4):744-55. doi: 10.1109/TPAMI.2013.240. PMID: 26353197.
问：要学习主成分分析PCA和支持向量机SVM，谁能推荐两本书或两篇论 参考？英文也可以，比较权威，大家都看
- 答：主成分分析方面可以看以下两篇论早歼文，个人觉得讲的比较好：
ponent_analysis，Bernhard Scholkopf，1996
ponent Analysis as a Kernel Eigenvalue Problem，Bernhard Scholkopf，1996
支持向量机的话，建议你看《统计学习理论》和《一种数据挖掘的新方法——支持向量机》这两本比较好。《统计学习理晌睁芹论》是支持向量机的理论基础，这本书很厚但是可以打下宴毕比较扎实的理论基础，值得好好读一下。另外，刚入门的话可以找一下SVM的一些综述性文献，这个网上很多，我就不在这里多说了。
希望我的回答能对你有所帮助！
问：怎样判断向量组是线性相关还是线性无关
- 答：1. 显式向量组
将向量按列向量构造矩阵A
对A实施初等行圆悔变换, 将A化成梯矩阵岩腔神
梯矩阵的非零行数即向量组的秩
向量组线性相关 <=> 向量组粗亏的秩 < 向量组所含向量的个数
2. 隐式向量组
一般是 设向量组的一个线性组合等于0
若能推出其组合系数只能全是0, 则向量组线性无关
否则线性相关.
满意请采纳^_^. - 答：先把向碧则空量组的各列向量拼成一个矩阵，并施行初等行变换变成行阶梯矩阵，即可同时看出矩阵的秩。盯冲若矩阵A秩小于向量个数m，则向量组线性相关；若矩阵A秩等于向量个数m，则向量组线性无关。这两个悔瞎互为充要条件。
参考文献：《工程数学线性代数同济第六版》p87-88 - 答：把向量组宽激的各列向量拼成一个矩阵，求出矩阵的秩。若秩小于向量个数，则向量组线性相关；若掘巧陵秩等于向判戚量个数，则向量组线性无关。
- 答：判断：若没有矢量可用有限个其他矢量的所表示，则称为线性无关或，反之称为线性相关。
线性是从相互关联的两个角度来界定的：
（1）叠加原或轮理成立；
（2）物理变量间的猜团咐函数关系是直线，变量间的变化率是恒量。在明确了线性的含义后，相应地非线性概念就易于界定：
1、“定义非线性算符N(φ)为对一些a、b或φ、ψ不满足。
2、对（aφ ，穗纯bψ）的*做，等于分别对φ*和ψ*做外，再加上对φ与ψ的交叉项（耦合项）的*做，或者φ、ψ是不连续（有突变或断裂）、不可微（有折点）的。
将向量按构造矩阵A。对A实施初等行变换, 将A化成梯矩阵。梯矩阵的非零行数即。向量组线性相关 <=> 向量组的秩 < 向量组所含向量的个数。
扩展资料：
函数线性相关的定理：
1、向量a1,a2, ···,an(n≧2)线性相关的是这n个向量中的一个为其余(n-1)个向量的线性组合。
2、一个向量线性相关的是它是一个。
3、两个向量a、b共线的充要条件是a、b线性相关。
4、三个向量a、b、c共面的充要条件是a、b、c线性相关。
参考资料来源： - 答：如果行数本来就小于向量个数，那岂不是不需要判断了？？
- 答：从几何意义来说，每个向辩局量都是有其他纤搜若干个向量的倍数以及和构毁灶历成的。
即可v= av1+bv2
