奇异值分解SVD(Singular Value Decomposition)是一种矩阵分解方法，在气象领域中常用来分析两个气象场场之间的关系。
NCL的函数库中与SVD相关的函数包括svd_lapack，svdcov，svdcov_sv，svdstd，svdstd_sv。
svd_lapack：用于计算一般矩形矩阵的奇异值分解。具体写法为：
s = svd_lapack (a, "S" , "S", 0, u, v)这里，a是一个(/nca,nra/)矩阵，两个“S”为固定写法，0表示输出v时不转置(1则表示转置v)，u和v分别为左、右奇异向量，u的长度和属性都和a相同，而v的长度为(/nca,nca/)，属性也与a相同。
svdcov：对两个场进行奇异值分解，并返回与这两个场相关的左右同构和异构数组。具体写法为：
svd_rv = svdcov(s,z,nsvd,homlft,hetlft,homrgt,hetrgt)
这里，s为(/ncols,ntime/)的气象场，z为(/ncolz,ntime/), 二者都为float或者double。nsvd为计算的svd模态数。homlft,hetlft,homrgt,hetrgt分别为左同构场、左异构场、右同构场合右异构场。它们的属性如下：
homlft：(/nsvd,ncols/),typeof(s)
hetlft：(/nsvd,ncols/),typeof(s) homrgt：((/nsvd,ncolz/),typeof(s) hetrgt：((/nsvd,ncolz/),typeof(s)时间系数为：
ak = onedtond(svd_rv@ak,(/nsvd,ntime/))
bk = onedtond(svd_rv@bk,(/nsvd,ntime/))
ak!0 = "sv"
ak!1 = "time"
bk!0 = "sv"
bk!1 = "time"svdcov_sv：该命令与svdcov的区别在于，它只返回两个输入数据集相关联的左右奇异向量。
svdstd、svdstd_sv：它们与svdcov、svdcov_sv的区别在于，它们首先对输入的数组进行了标准化处理，然后再进行SVD计算，而svdcov、svdcov_sv不会对输入的数据进行标准化处理。
数据处理·机器学习·可视化
行业资讯·学习资料
长按关注不迷路
