SVD 最小二乘法解 亲测ok!

线性最小二乘问题

m个方程求解n个未知数，有三种情况：

1. m=n且A为非奇异，则有唯一解，x=A.inverse()*b
2. m>n，约束的个数大于未知数的个数，称为超定问题（overdetermined）
3. m

通常我们遇到的都是超定问题，此时Ax=b的解是不存在的，从而转向解最小二乘问题：

J(x)为凸函数，一阶导数为0，得到：

,称之为正规方程

一般解：

奇异值分解与线性最小二乘问题

设

列满秩，A的奇异值分解:（公式1）

其中U和V为半酉阵，分别满足

其中，这里的几个符号的大小：U:mm   :nn   V:nn

注意：为什么这里是nn，是因为我上面写的公式1中UGV，G=，G的尺寸是mn 

为 U 的 前 n 列矩阵，即

则：

等号当且仅

时成立，所以：

这就是我们千辛万苦要求的线性最小二乘问题的解！！！

用eigen库计算的例子：

    //Ax=b
    MatrixXd A= MatrixXd::Zero(15,8);
    Eigen::JacobiSVD svd(A, Eigen::ComputeFullU | Eigen::ComputeFullV);

    Eigen::Matrix U = svd.matrixU();
    Eigen::Matrix V = svd.matrixV();
    Eigen::Matrix Gama = svd.singularValues().asDiagonal();
        
    Eigen::Matrix b;
    Eigen::Matrix x = V * Gama.inverse()*(U.block<15,8>(0,0).transpose())*b;