线性代数之奇异值(SVD)分解

From http://www.qiujiawei.com/linear-algebra-9/

在线性代数中，SVD(Singular Value Decomposition)是对实数矩阵(甚至复数矩阵)的一种因式分解。在信号、统计、图像图形学中都有应用。

SVD非常强大且实用，因为数学界前辈已经证明任意的一个矩阵都可以做SVD分解。这一点特别重要，因为相比SVD分解，和SVD相近的特征值分解只能应用于方阵。

第二个重要的点是：SVD分解可用来解决非方阵不能计算逆矩阵的问题。

SVD的定义

先给出公式的全貌：

设有一个m X n的矩阵M，它的SVD分解是：

M=UΣV∗ M=UΣV∗

其中：

• U是一个m X m的单式矩阵(Unitary Matrix)
• Σ是m X n的矩形对角矩阵(Rectangular Diagonal Matrix)，并且在对角线上的元素都是非负实数 σi σi，称为M的奇异值
• V*是一个n X n的单式矩阵，也是V的共轭转置矩阵(Conjugate Transpose Matrix)

一些补充:

1. U矩阵的m个列向量、V的n个列向量分别被称为M的左奇异向量，和M的右奇异向量
2. 约定Σ矩阵的对角线上的奇异值 σi σi用降序排列
3. 由第2点可以看出，Σ矩阵完全由M决定，和U、V无关

SVD和特征值分解的联系

• M的左奇异向量 是  MM∗ MM∗的特征向量
• M的右奇异向量 是  M∗M M∗M的特征向量
• M的非零奇异值（即Σ的对角线上的元素）分别是 M∗M M∗M以及 MM∗ MM∗的所有非零特征值的开平方

由单式矩阵的定义，知：

U∗U=I=U−1U U∗U=I=U−1U

V∗V=I=V−1V V∗V=I=V−1V

U∗=U−1 U∗=U−1

V∗=V−1 V∗=V−1

由矩形对角矩阵的定义，知：

Σm,nΣ∗m,n=Σm,nΣ′n,m=Dm,m Σm,nΣm,n∗=Σm,nΣn,m′=Dm,m

Σ∗m,nΣm,n=Σ′n,mΣm,n=Dn,n Σm,n∗Σm,n=Σn,m′Σm,n=Dn,n

(D = Diagonal Square Matrix)

即，Σ和Σ的转置相乘，等于一个新的方阵D，D的阶数等于左边的Σ矩阵的行数；D还是一个对角方阵，且对角线上的元素分别是Σ的对角线上的元素的平方。

再根据SVD公式：

M=UΣV∗ M=UΣV∗

有：

M∗M=VΣ∗U∗UΣV∗=VΣ∗(U∗U)ΣV∗=VΣ∗ΣV∗=V(Σ∗Σ)V−1 M∗M=VΣ∗U∗UΣV∗=VΣ∗(U∗U)ΣV∗=VΣ∗ΣV∗=V(Σ∗Σ)V−1

MM∗=UΣV∗VΣ∗U∗=UΣ(V∗V)Σ∗U∗=UΣΣ∗U∗=U(ΣΣ∗)U−1 MM∗=UΣV∗VΣ∗U∗=UΣ(V∗V)Σ∗U∗=UΣΣ∗U∗=U(ΣΣ∗)U−1

右边的东西符合特征分解的定义，所以上述两式子都是特征分解。

SVD的几何意义以及应用

推荐阅读这篇文章:http://blog.chinaunix.net/uid-20761674-id-4040274.html。

英文原文:http://www.ams.org/samplings/feature-column/fcarc-svd

不过这文章只讲了和图像有关的应用，实际上，SVD的应用非常广泛，比如机器学习领域也在用。

SVD的求法

SVD的解法有很多种而且看起来很复杂，比如这篇文章就列举了很多种:http://www.cs.utexas.edu/users/inderjit/public_papers/HLA_SVD.pdf。

因为矩阵有稠密和稀疏之分，所以针对不同的矩阵就有不同的解法。学习SVD的解法想必是一件艰苦的事情。因为目前还没有深入学习SVD的需求，所以博主就此罢笔。

参考资料

https://en.wikipedia.org/wiki/Singular_value_decomposition