奇异值分解(SVD)

特征值分解是利用矩阵的对角化来完成的：A=Q∧Q^-1，但这种分解方法需要满足一个前提条件，即A是方阵。

 

奇异值分解(SVD)可以对m x n的矩阵进行分解。我们希望找到一个n x n的正交方阵V、一个m x m的正交方阵U和一个m x n的矩阵∑，使得A满足式子AV=U∑。因为V是正交矩阵，所以V是可逆，且V^-1=V^T，所以AV=U∑又可以写成A=U∑V^T。下面分两步来找到V和U。

 

1）注意到A^TA是一个对称方阵，如果存在一个n x n的正交方阵V、一个m x m的正交方阵U和一个m x n的矩阵∑，使得A=U∑V^T成立，则有A^TA=V∑^TU^TU∑V^T=V(∑^T∑)V^T。观察式子A^TA=V(∑^T∑)V^T可知，通过对对称方阵A^TA进行特征值分解（对角化），可以得到等式右侧的V(∑^T∑)V^T，其中V的列向量组为对称方阵A^TA的特征向量组，∑^T∑为对角矩阵，其对角线上的元素为A^TA的特征值。如下图所示，根据∑^T∑的性质，可以推出∑：

图中的σ_i称为矩阵A的奇异值。

 

2）经过1）之后，我们已经找到了一种方法来求取V和∑，但在我们希望A满足的式子A=U∑V^T中，还有U未知。为了求U，用A^T右乘式子A=U∑V^T，得到AA^T=U∑V^T V∑^TU^T。因为V是正交方阵，所以V^TV=I，AA^T=U∑∑^TU^T。注意到AA^T同样是对称方阵，类似于1)，我们可以通过对对称方阵AA^T进行特征值分解（对角化），得到等式右侧的U∑∑^TU^T，其中U的列向量组为对称方阵AA^T的特征向量组，∑∑^T为对角矩阵，其对角线上的元素为AA^T的特征值。注意到这里的∑和1）中求得的∑是同一个矩阵，不必惊讶于这一结论，因为根据定理，我们知道AA^T与AA^T的具有相同的特征值。

 

至此，我们完成了对一个m x n矩阵A的奇异值分解过程。

Matlab代码： 

输入：

A=[1 2;3 4;5 6;7 8]    [U,S,V] = svd(A)

输出：

A =
     1     2
     3     4
     5     6
     7     8

U =
   -0.1525   -0.8226   -0.3945   -0.3800
   -0.3499   -0.4214    0.2428    0.8007
   -0.5474   -0.0201    0.6979   -0.4614
   -0.7448    0.3812   -0.5462    0.0407

S =
   14.2691         0
         0         0.6268
         0             0
         0             0

V =
   -0.6414    0.7672
   -0.7672   -0.6414

通过U*S*V'将得到A