虽然奇异值分解（SVD）和特征值分解（EVD的）是行之有效的，可以通过先进的设施设备先进的算法，它不是通常所说，有一个内在的迹象，可以显着影响的不确定性的结论计算及诠释来自其结果。我们提供一个解决方案，标志模糊的问题确定了从奇异向量的内积和个人数据载体签署奇异向量的迹象。该数据可能有不同的载体，但它有它自身的定位和实际意义的选择方向，其中多数的向量点。这可以通过评估发现了内心的签署标志产品的总和。-Although the Singular Value Decomposition (SVD) a

基于解相干的MUSIC源程序合集：Toeplitz算法；矩阵分解算法；空间平滑MUSIC源程序；矢量奇异值法；-Collection based on decorrelation MUSIC source: Toeplitz algorithm matrix decomposition algorithm spatial smoothing MUSIC source vector singular value method