SVD 和 PCA 中的符号校正：确定 SVD 中奇异向量的正确符号（PCA 中的分数和加载向量）-matlab开发

尽管奇异值分解 (SVD) 和特征值分解 (EVD) 已经很成熟并且可以通过最先进的算法进行计算，但人们普遍不认为存在内在符号不确定性会显着影响结论以及从他们的结果中得出的解释。 我们通过从奇异向量和单个数据向量的内积的符号确定奇异向量的符号来提供符号歧义问题的解决方案。 数据向量可能具有不同的方向，但选择大多数向量指向的方向具有直观和实际意义。 这可以通过评估带符号内积之和的符号来找到。 更多信息请访问：R. Bro、E. Acar 和 TG Kolda。 解决奇异值分解中的符号歧义。 J.Chemom。 22:135-140, 2008 和www.models.life.ku.dk