SVD,奇异值分解的计算步骤以及实例讲解

       奇异值分解(singular value decomposition,SVD),已经成为矩阵计算中最有用和最有效的工具之一,并且在最小二乘问题、最优化、统计分析、信号与图像处理、系统理论与控制等领域得到广泛应用。

        首先我们都知道方阵是可以特征值分解的,那么问题来了,如果矩阵不是一个方阵那么它还可以分解吗?是可以的,就是我们正在介绍的奇异值分解。

那么,开冲!

SVD,奇异值分解的计算步骤以及实例讲解_第1张图片

下面介绍方法,记住任何一个矩阵A都可以分解成以下形式(别问为什么,我看了证明的,头大,太难了)

   

 注:U和V都是酉矩阵,即满足

求法如下

U是的特征向量张成的一个矩阵

V是的特征向量张成的一个矩阵

或者的特征值的平方根

下面进行一个证明

SVD,奇异值分解的计算步骤以及实例讲解_第2张图片

注:的特征值是一样的

好了,SVD分解就是这么简单,一般就两步

第一步:求的特征向量(构成的矩阵就是V)和特征值(默认由大到小排列,然后要求根号)

第二步:求的特征向量(构成的矩阵就是U)

下面进行一个实例讲解:

SVD,奇异值分解的计算步骤以及实例讲解_第3张图片

SVD,奇异值分解的计算步骤以及实例讲解_第4张图片

 SVD,奇异值分解的计算步骤以及实例讲解_第5张图片

 

你可能感兴趣的:(一点点数学,fpga开发,算法,机器学习,线性代数,矩阵)