奇 き 异值分解 ぶんかい (英語 えいご :Singular value decomposition ,縮寫 しゅくしゃ :SVD )是 これ 线性代数 だいすう 中 ちゅう 一 いち 种重要 じゅうよう 的 てき 矩 のり 阵分解 ぶんかい ,在 ざい 信号 しんごう 处理 、统计学 がく 等 とう 领域有 ゆう 重要 じゅうよう 应用。奇 き 异值分解 ぶんかい 在 ざい 某 ぼう 些方面 めん 与 あずか 对称矩 のり 阵 或 ある 厄 やく 米 まい 矩 のり 陣 じん 基 もと 于特 とく 征 せい 向 こう 量 りょう 的 てき 对角化 か 类似。然 しか 而这两种矩 のり 阵分解 ぶんかい 尽 つき 管 かん 有 ゆう 其相关性,但 ただし 还是有明 ありあけ 显的不同 ふどう 。对称阵特征 せい 向 こう 量 りょう 分解 ぶんかい 的 てき 基 もと 础是谱分析 ぶんせき ,而奇异值分解 ぶんかい 则是谱分析理论在任意 にんい 矩 のり 阵上的 てき 推广。
假設 かせつ M 是 ぜ 一 いち 個 こ m×n 階 かい 矩 のり 陣 じん ,其中的 てき 元素 げんそ 全部 ぜんぶ 屬 ぞく 於域 いき K ,也就是 ぜ 實數 じっすう 域 いき 或 ある 複數 ふくすう 域 いき 。如此則 そく 存在 そんざい 一 いち 個 こ 分解 ぶんかい 使 し 得 とく
M
=
U
Σ しぐま
V
∗
,
{\displaystyle M=U\Sigma V^{*},\,}
其中U 是 これ m×m 階 かい 酉 とり 矩 のり 陣 じん ;Σ しぐま 是 ぜ m×n 階 かい 非負 ひふ 实数 對 たい 角 かく 矩 のり 陣 じん ;而V* ,即 そく V 的 てき 共軛 きょうやく 轉置 てんち ,是 ぜ n×n 階 かい 酉 とり 矩 のり 陣 じん 。這樣的 てき 分解 ぶんかい 就稱作 さく M 的 てき 奇異 きい 值分解 ぶんかい 。Σ しぐま 對角線 たいかくせん 上 じょう 的 てき 元素 げんそ Σ しぐま i ,i 即 そく 為 ため M 的 てき 奇異 きい 值 。
常見 つねみ 的 てき 做法是 ぜ 将 はた 奇異 きい 值由大 だい 而小排列 はいれつ 。如此Σ しぐま 便 びん 能 のう 由 ゆかり M 唯一 ゆいいつ 確定 かくてい 了 りょう 。(雖然U 和 わ V 仍然不能 ふのう 確定 かくてい 。)
在 ざい 矩 のり 陣 じん M 的 てき 奇異 きい 值分解 ぶんかい 中 ちゅう
M
=
U
Σ しぐま
V
∗
,
{\displaystyle M=U\Sigma V^{*},\,}
V 的 てき 列 れつ (columns)組成 そせい 一 いち 套對
M
{\displaystyle M\,}
的 てき 正 せい 交 「輸入 ゆにゅう 」或 ある 「分析 ぶんせき 」的 てき 基 もと 向 むこう 量 りょう 。這些向 むこう 量 りょう 是 ぜ
M
∗
M
{\displaystyle M^{*}\,M}
的 てき 特徵 とくちょう 向 むこう 量 りょう 。
U 的 てき 列 れつ (columns)組成 そせい 一 いち 套對
M
{\displaystyle M\,}
的 てき 正 せい 交 「輸出 ゆしゅつ 」的 てき 基 もと 向 むこう 量 りょう 。這些向 むこう 量 りょう 是 ぜ
M
M
∗
{\displaystyle MM^{*}\,}
的 てき 特徵 とくちょう 向 むこう 量 りょう 。
Σ しぐま 對角線 たいかくせん 上 じょう 的 てき 元素 げんそ 是 ぜ 奇異 きい 值 ,可視 かし 為 ため 是 ぜ 在 ざい 輸入 ゆにゅう 與 あずか 輸出 ゆしゅつ 間 あいだ 進行 しんこう 的 てき 純量 じゅんりょう 的 てき "膨脹 ぼうちょう 控 ひかえ 制 せい "。這些是 ぜ
M
M
∗
{\displaystyle MM^{*}\,}
及
M
∗
M
{\displaystyle M^{*}\,M}
的 てき 特 とく 征 せい 值的 てき 非 ひ 负平方根 へいほうこん ,並 なみ 與 あずか U 和 わ V 的 いくわ 行 ゆき 向 むこう 量 りょう 相對 そうたい 應 おう 。
奇 き 异值和 わ 奇 き 异向量 りょう ,以及他 た 们与奇 き 异值分解 ぶんかい 的 てき 关系[ 编辑 ]
一 いち 个非负实数 すう σ しぐま 是 ぜ M 的 てき 一 いち 个奇 き 异值 仅当存在 そんざい K m 的 てき 单位向 むこう 量 りょう u 和 わ K n 的 てき 单位向 むこう 量 りょう v 如下:
M
v
=
σ しぐま
u
and
M
∗
u
=
σ しぐま
v
.
{\displaystyle Mv=\sigma u\,{\text{ and }}M^{*}u=\sigma v.\,\!}
其中向 むこう 量 りょう u 和 わ v 分 ぶん 别为σ しぐま 的 てき 左 ひだり 奇 き 异向量 りょう 和 わ 右 みぎ 奇 き 异向量 りょう 。
对于任意 にんい 的 てき 奇 き 异值分解 ぶんかい
M
=
U
Σ しぐま
V
∗
{\displaystyle M=U\Sigma V^{*}\,\!}
矩 のり 阵Σ しぐま 的 てき 对角线上的 てき 元素 げんそ 等 とう 于M 的 てき 奇 き 异值. U 和 わ V 的 てき 列 れつ 分 ぶん 别是奇 き 异值中 ちゅう 的 てき 左 ひだり 、右 みぎ 奇 き 异向量 りょう 。因 よし 此,上述 じょうじゅつ 定理 ていり 表明 ひょうめい :
一 いち 个m×n的 てき 矩 のり 阵至多 た 有 ゆう p = min(m ,n )个不同 ふどう 的 てき 奇 き 异值;
总能在 ざい K m 中 ちゅう 找到由 ゆかり M 的 てき 左 ひだり 奇 き 异向量 りょう 組成 そせい 的 てき 一 いち 組 くみ 正 せい 交基U ,;
总能在 ざい K n 找到由 ゆかり M 的 てき 右 みぎ 奇 き 异向量 りょう 組成 そせい 的 てき 一 いち 組 くみ 正 せい 交基V ,。
如果對 たい 於一个奇异值,可 か 以找到两組线性無 む 关的左 ひだり (右 みぎ )奇異 きい 向 こう 量 りょう ,则該奇異 きい 值称为簡併的(或 ある 退化 たいか 的 てき )。
非 ひ 退化 たいか 的 てき 奇 き 异值在 ざい 最多 さいた 相差 おうさつ 一 いち 個 こ 相 しょう 位 い 因子 いんし
exp
(
i
ϕ
)
{\displaystyle \exp(i\phi )}
(若 わか 討論 とうろん 限定 げんてい 在 ざい 實數 じっすう 域 いき 內,則 のり 最多 さいた 相差 おうさつ 一 いち 個 こ 正負 せいふ 號 ごう )的 てき 意義 いぎ 下 か 具有 ぐゆう 唯一 ゆいいつ 的 てき 左 ひだり 、右 みぎ 奇 き 异向量 りょう 。因 よし 此,如果M 的 てき 所有 しょゆう 奇 き 异值都 と 是非 ぜひ 退化 たいか 且非零 れい ,則 のり 除去 じょきょ 一個可以同時乘在
U
,
V
{\displaystyle U,V}
上 うえ 的 てき 任意 にんい 的 てき 相 しょう 位 い 因子 いんし 外 がい ,
M
{\displaystyle M}
的 てき 奇異 きい 值分解 ぶんかい 唯一 ゆいいつ 。
根 ね 据 すえ 定 てい 义,退化 たいか 的 てき 奇 き 异值具有 ぐゆう 不 ふ 唯 ただ 一 いち 的 てき 奇 き 异向量 りょう 。因 よし 为,如果u 1 和 わ u 2 为奇异值σ しぐま 的 てき 两个左 ひだり 奇 き 异向量 りょう ,则它們的任意 にんい 歸 き 一化线性组合也是奇异值σ一个左奇异向量,右 みぎ 奇 き 异向量 りょう 也具有 ぐゆう 類似 るいじ 的 てき 性 せい 质。因 よし 此,如果M 具有 ぐゆう 退化 たいか 的 てき 奇 き 异值,则它的 てき 奇 き 异值分解 ぶんかい 是 ぜ 不 ふ 唯 ただ 一 いち 的 てき 。
观察一 いち 个4×5的 てき 矩 のり 阵
M
=
[
1
0
0
0
2
0
0
3
0
0
0
0
0
0
0
0
4
0
0
0
]
{\displaystyle M={\begin{bmatrix}1&0&0&0&2\\0&0&3&0&0\\0&0&0&0&0\\0&4&0&0&0\end{bmatrix}}}
M矩 のり 阵的奇 き 异值分解 ぶんかい 如下
U
Σ しぐま
V
∗
{\displaystyle U\Sigma V^{*}}
U
=
[
0
0
1
0
0
1
0
0
0
0
0
1
1
0
0
0
]
,
Σ しぐま
=
[
4
0
0
0
0
0
3
0
0
0
0
0
5
0
0
0
0
0
0
0
]
,
V
∗
=
[
0
1
0
0
0
0
0
1
0
0
0.2
0
0
0
0.8
0
0
0
1
0
0.8
0
0
0
−
0.2
]
{\displaystyle U={\begin{bmatrix}0&0&1&0\\0&1&0&0\\0&0&0&1\\1&0&0&0\end{bmatrix}},\;\Sigma ={\begin{bmatrix}4&0&0&0&0\\0&3&0&0&0\\0&0&{\sqrt {5}}&0&0\\0&0&0&0&0\end{bmatrix}},\;V^{*}={\begin{bmatrix}0&1&0&0&0\\0&0&1&0&0\\{\sqrt {0.2}}&0&0&0&{\sqrt {0.8}}\\0&0&0&1&0\\{\sqrt {0.8}}&0&0&0&-{\sqrt {0.2}}\end{bmatrix}}}
注意 ちゅうい 矩 のり 陣 じん
Σ しぐま
{\displaystyle \Sigma }
的 てき 所有 しょゆう 非 ひ 對 たい 角 かく 元 もと 為 ため 0。矩 のり 阵
U
{\displaystyle U}
和 わ
V
∗
{\displaystyle V^{*}}
都 みやこ 是 ただし 酉 とり 矩 のり 阵 ,它們乘 じょう 上 じょう 各自 かくじ 的 てき 共軛 きょうやく 轉置 てんち 都 と 得 え 到 いた 單位 たんい 矩 のり 陣 じん 。如下所 しょ 示 しめせ 。在 ざい 这个例 れい 子中 こなか ,由 ゆかり 于
U
{\displaystyle U}
和 わ
V
∗
{\displaystyle V^{*}}
都 みやこ 是 ただし 实矩陣 じん ,故 こ 它們都 と 是 ぜ 正 せい 交矩阵 。
U
U
∗
=
[
0
0
1
0
0
1
0
0
0
0
0
1
1
0
0
0
]
⋅
[
0
0
0
1
0
1
0
0
1
0
0
0
0
0
1
0
]
=
[
1
0
0
0
0
1
0
0
0
0
1
0
0
0
0
1
]
≡
I
4
{\displaystyle UU^{*}={\begin{bmatrix}0&0&1&0\\0&1&0&0\\0&0&0&1\\1&0&0&0\end{bmatrix}}\cdot {\begin{bmatrix}0&0&0&1\\0&1&0&0\\1&0&0&0\\0&0&1&0\end{bmatrix}}={\begin{bmatrix}1&0&0&0\\0&1&0&0\\0&0&1&0\\0&0&0&1\end{bmatrix}}\equiv I_{4}}
V
V
∗
=
[
0
0
0.2
0
0.8
1
0
0
0
0
0
1
0
0
0
0
0
0
1
0
0
0
0.8
0
−
0.2
]
⋅
[
0
1
0
0
0
0
0
1
0
0
0.2
0
0
0
0.8
0
0
0
1
0
0.8
0
0
0
−
0.2
]
=
[
1
0
0
0
0
0
1
0
0
0
0
0
1
0
0
0
0
0
1
0
0
0
0
0
1
]
≡
I
5
{\displaystyle VV^{*}={\begin{bmatrix}0&0&{\sqrt {0.2}}&0&{\sqrt {0.8}}\\1&0&0&0&0\\0&1&0&0&0\\0&0&0&1&0\\0&0&{\sqrt {0.8}}&0&-{\sqrt {0.2}}\end{bmatrix}}\cdot {\begin{bmatrix}0&1&0&0&0\\0&0&1&0&0\\{\sqrt {0.2}}&0&0&0&{\sqrt {0.8}}\\0&0&0&1&0\\{\sqrt {0.8}}&0&0&0&-{\sqrt {0.2}}\end{bmatrix}}={\begin{bmatrix}1&0&0&0&0\\0&1&0&0&0\\0&0&1&0&0\\0&0&0&1&0\\0&0&0&0&1\end{bmatrix}}\equiv I_{5}}
由 よし 於
Σ しぐま
{\displaystyle \Sigma }
有 ゆう 一 いち 個 こ 對 たい 角 かく 元 もと 是 ぜ 零 れい ,故 こ 这个奇 き 异值分解 ぶんかい 值不是 ぜ 唯一 ゆいいつ 的 てき 。例 れい 如,选择
V
{\displaystyle V}
使 つかい 得 とく
V
∗
=
[
0
1
0
0
0
0
0
1
0
0
0.2
0
0
0
0.8
0.4
0
0
0.5
−
0.1
−
0.4
0
0
0.5
0.1
]
{\displaystyle V^{*}={\begin{bmatrix}0&1&0&0&0\\0&0&1&0&0\\{\sqrt {0.2}}&0&0&0&{\sqrt {0.8}}\\{\sqrt {0.4}}&0&0&{\sqrt {0.5}}&-{\sqrt {0.1}}\\-{\sqrt {0.4}}&0&0&{\sqrt {0.5}}&{\sqrt {0.1}}\end{bmatrix}}}
能 のう 得 え 到 いた
M
{\displaystyle M}
的 てき 另一 いち 個 こ 奇異 きい 值分解 ぶんかい 。
与 あずか 特 とく 征 せい 值分解 ぶんかい 的 てき 联系[ 编辑 ]
奇 き 异值分解能 ぶんかいのう 夠用于任意 にんい
m
×
n
{\displaystyle m\times n}
矩 のり 阵,而特 とく 征 せい 分解 ぶんかい 只 ただ 能 のう 适用于特定 とくてい 类型的 てき 方 かた 阵,故 こ 奇異 きい 值分解 ぶんかい 的 てき 適用 てきよう 範圍 はんい 更 さら 廣 ひろ 。不 ふ 过,这两个分解 ぶんかい 之 の 间是有 ゆう 关联的 てき 。给定一 いち 个M 的 てき 奇 き 异值分解 ぶんかい ,根 ね 据 すえ 上面 うわつら 的 てき 论述,两者的 てき 关系式 しき 如下:
M
∗
M
=
V
Σ しぐま
∗
U
∗
U
Σ しぐま
V
∗
=
V
(
Σ しぐま
∗
Σ しぐま
)
V
∗
{\displaystyle M^{*}M=V\Sigma ^{*}U^{*}\,U\Sigma V^{*}=V(\Sigma ^{*}\Sigma )V^{*}\,}
M
M
∗
=
U
Σ しぐま
V
∗
V
Σ しぐま
∗
U
∗
=
U
(
Σ しぐま
Σ しぐま
∗
)
U
∗
{\displaystyle MM^{*}=U\Sigma V^{*}\,V\Sigma ^{*}U^{*}=U(\Sigma \Sigma ^{*})U^{*}\,}
关系式 しき 的 てき 右 みぎ 边描述 じゅつ 了 りょう 关系式 しき 左 ひだり 边的特 とく 征 せい 值分解 ぶんかい 。于是:
V
{\displaystyle V}
的 てき 列 れつ 向 むこう 量 りょう (右 みぎ 奇 き 异向量 りょう )是 これ
M
∗
M
{\displaystyle M^{*}M}
的 てき 特 とく 征 せい 向 こう 量 りょう 。
U
{\displaystyle U}
的 てき 列 れつ 向 むこう 量 りょう (左 ひだり 奇 き 异向量 りょう )是 これ
M
M
∗
{\displaystyle MM^{*}}
的 てき 特 とく 征 せい 向 こう 量 りょう 。
Σ しぐま
{\displaystyle \Sigma }
的 てき 非 ひ 零 れい 對 たい 角 かく 元 もと (非 ひ 零 れい 奇 き 异值)是 これ
M
∗
M
{\displaystyle M^{*}M}
或 ある 者 もの
M
M
∗
{\displaystyle MM^{*}}
的 てき 非 ひ 零 れい 特 とく 征 せい 值的 てき 平方根 へいほうこん 。
特殊 とくしゅ 情 じょう 况下,当 とう M 是 ぜ 一 いち 个正 せい 规矩阵 (因 いん 而必須是方陣 ほうじん )根 ね 据 すえ 谱定理 ていり ,M 可 か 以被一组特征向量酉对角化,所以 ゆえん 它可以表为:
M
=
U
D
U
∗
{\displaystyle M=UDU^{*}}
其中U 为一个酉矩 のり 阵,D 为一个对角 かく 阵。如果M 是 これ 半 はん 正 せい 定 じょう 的 てき ,
M
=
U
D
U
∗
{\displaystyle M=UDU^{*}}
的 てき 分解 ぶんかい 也是一 いち 个奇异值分解 ぶんかい 。
然 しか 而,一般矩陣的特征分解跟奇异值分解不同。特 とく 征 せい 分解 ぶんかい 如下:
M
=
U
D
U
−
1
{\displaystyle M=UDU^{-1}}
其中U 是 ぜ 不 ふ 需要 じゅよう 是 ぜ 酉 とり 的 てき ,D 也不需要 じゅよう 是 ぜ 半 はん 正 せい 定 じょう 的 てき 。而奇异值分解 ぶんかい 如下:
M
=
U
Σ しぐま
V
∗
{\displaystyle M=U\Sigma V^{*}}
其中
Σ しぐま
{\displaystyle \Sigma }
是 ぜ 对角半 はん 正 せい 定 てい 矩 のり 阵,U 和 わ V 是 ぜ 酉 とり 矩 のり 阵,两者除 じょ 了 りょう 通 どおり 过矩阵M 没 ぼつ 有 ゆう 必然 ひつぜん 的 てき 联系。
因 いん 为U 和 わ V 都 みやこ 是 ただし 酉 とり 的 てき ,我 わが 们知道 どう U 的 てき 列 れつ 向 むこう 量 りょう u 1 ,...,um 组成了 りょう K m 空 そら 间的一 いち 组标准正 せい 交基 。同 どう 样,V 的 てき 列 れつ 向 むこう 量 りょう v 1 ,...,vn 也组成 なり 了 りょう K n 空 そら 间的一组标准正交基(根 ね 据 すえ 向 こう 量 りょう 空 そら 间的标准点 てん 积法则)。
矩 のり 陣 じん
M
{\displaystyle M}
代表 だいひょう 從 したがえ
K
n
{\displaystyle K^{n}}
到 いた
K
m
{\displaystyle K^{m}}
的 てき 一個線性映射
T
{\displaystyle {\mathcal {T}}}
:
x
→
M
x
{\displaystyle x\rightarrow Mx}
。通過 つうか 这些标准正 せい 交基,这个变换可 か 以用很簡單 かんたん 的 てき 方式 ほうしき 進行 しんこう 描述:
T
(
v
i
)
=
σ しぐま
i
u
i
,
i
=
1
,
…
,
min
(
m
,
n
)
{\displaystyle {\mathcal {T}}(v_{i})=\sigma _{i}u_{i},i=1,\ldots ,\min(m,n)}
,其中
σ しぐま
i
{\displaystyle \sigma _{i}}
是 これ
Σ しぐま
{\displaystyle \Sigma }
中 なか 的 てき 第 だい i 个對角 かく 元 もと 。当 とう
i
>
min
(
m
,
n
)
{\displaystyle i>\min(m,n)}
时,
T
(
v
i
)
=
0
{\displaystyle {\mathcal {T}}(v_{i})=0}
。
这样,SVD分解 ぶんかい 的 てき 几何意 い 义就可 か 以做如下的 てき 归纳:对于每 ごと 一个线性映射
T
:
K
n
→
K
m
{\displaystyle {\mathcal {T}}:K^{n}\rightarrow K^{m}}
,
T
{\displaystyle {\mathcal {T}}}
的 てき 奇異 きい 值分解 ぶんかい 在原 ありわら 空間 くうかん 與 あずか 像 ぞう 空間 くうかん 中 ちゅう 分別 ふんべつ 找到一 いち 組 くみ 標準 ひょうじゅん 正 せい 交基,使 つかい 得 とく
T
{\displaystyle {\mathcal {T}}}
把 わ
K
n
{\displaystyle K^{n}}
的 てき 第 だい
i
{\displaystyle i}
個 こ 基 もと 向 むこう 量 りょう 映 うつ 射 い 為 ため
K
m
{\displaystyle K^{m}}
的 てき 第 だい
i
{\displaystyle i}
个基 もと 向 むこう 量 りょう 的 てき 非 ひ 负倍数 すう ,並 なみ 将 しょう
K
n
{\displaystyle K^{n}}
中 ちゅう 余 あまり 下 か 的 てき 基 もと 向 むこう 量 りょう 映 うつ 射 い 为零向 むこう 量 りょう 。換 かわ 句 く 話 はなし 說 せつ ,線 せん 性 せい 變換 へんかん
T
{\displaystyle {\mathcal {T}}}
在 ざい 這兩組 ぐみ 選定 せんてい 的 てき 基 もと 上 じょう 的 てき 矩 のり 陣 じん 表示 ひょうじ 為 ため 所有 しょゆう 對 たい 角 かく 元 もと 均 ひとし 為 ため 非負 ひふ 數 すう 的 てき 對 たい 角 かく 矩 のり 陣 じん 。
GRSVD
GRSVD為 ため 其中一 いち 種 しゅ SVD分解 ぶんかい 方法 ほうほう 。他 た 利用 りよう householder transformations將 はた 目標 もくひょう 矩 のり 陣 じん 轉換 てんかん 成 なり 雙 そう 斜 はす 對 たい 角 かく 矩 のり 陣 じん ,再 さい 利用 りよう QR algorithm追 つい 蹤其特徵 とくちょう 值。
此演算 えんざん 法的 ほうてき 限 げん 制 せい 為 ため ,難 なん 以估計 けい 出 だし 真正 しんせい 的 てき 準 じゅん 確 かく 值。根據 こんきょ 下圖 したず 所 しょ 示 しめせ 可 か 觀察 かんさつ 出 で ,iteration較大時 じ 會 かい 慢慢decay最後 さいご error會 かい 達 たち 到 いた 飽和 ほうわ 。
Jacobi SVD
一種 いっしゅ SVD方法 ほうほう 為 ため Jacobi SVD,此種方法 ほうほう 的 てき 複雜 ふくざつ 度 ど 較GRSVD高 だか ,但 ただし 是 ぜ 精確 せいかく 度 ど 也較高 だか 。Jacobi SVD使用 しよう 多 た 次 つぎ 的 てき 平面 へいめん 旋轉 せんてん 使 し 得 とく 矩 のり 陣 じん 上 じょう 非 ひ 對 たい 角 かく 軸 じく 上 じょう 的 てき 數 すう 值趨近 きん 於0。
於此,運用 うんよう 演算 えんざん 法 ほう 可 か 將 はた 矩 のり 陣 じん 轉換 てんかん 成 なり 我 わが 們所需的型式 けいしき :
將 はた A0轉換 てんかん 成 なり A,成 なり 為 ため 只 ただ 有 ゆう 對角線 たいかくせん 有 ゆう 值的矩 のり 陣 じん 。
下圖 したず 為 ため error模擬 もぎ 圖 ず ,可 か 觀察 かんさつ 出 で :iteration次數 じすう 增加 ぞうか ,可 か 以相對 たい 增加 ぞうか 其精準 じゅん 度 ど 。
奇 き 异值分解 ぶんかい 可 か 以被用 よう 来 らい 计算矩 のり 阵的广义逆 ぎゃく 阵(伪逆) 。若 わか 矩 のり 阵M 的 てき 奇 き 异值分解 ぶんかい 为
M
=
U
Σ しぐま
V
∗
{\displaystyle M=U\Sigma V^{*}}
,那 な 么M 的 てき 伪逆为
M
+
=
V
Σ しぐま
+
U
∗
,
{\displaystyle M^{+}=V\Sigma ^{+}U^{*},\,}
其中
Σ しぐま
+
{\displaystyle \Sigma ^{+}}
是 これ
Σ しぐま
{\displaystyle \Sigma }
的 てき 偽 にせ 逆 ぎゃく ,是 ぜ 将 しょう
Σ しぐま
{\displaystyle \Sigma }
主 しゅ 对角线上每 ごと 个非零 れい 元素 げんそ 都 と 求 もとめ 倒 たおせ 数 すう 之 これ 後 ご 再 さい 轉置 てんち 得 え 到 いた 的 てき 。求 もとめ 伪逆通常 つうじょう 可 か 以用来 らい 求 もとめ 解 かい 最小 さいしょう 二 に 乘法 じょうほう 问题。
列 れつ 空間 くうかん 、零 れい 空間 くうかん 和 わ 秩[ 编辑 ]
奇 き 异值分解 ぶんかい 的 てき 另一个应用是给出矩阵的列 れつ 空間 くうかん 、零 れい 空間 くうかん 和 わ 秩 的 てき 表示 ひょうじ 。对角矩 のり 阵
Σ しぐま
{\displaystyle \Sigma }
的 てき 非 ひ 零 れい 对角元素 げんそ 的 てき 个数对应于矩阵
M
{\displaystyle M}
的 てき 秩。與 あずか 零 れい 奇異 きい 值對應 おう 的 てき 右 みぎ 奇異 きい 向 こう 量 りょう 生成 せいせい 矩 のり 陣 じん
M
{\displaystyle M}
的 てき 零 れい 空間 くうかん ,與 あずか 非 ひ 零 れい 奇異 きい 值對應 おう 的 てき 左 ひだり 奇異 きい 向 こう 量 りょう 則 そく 生成 せいせい 矩 のり 陣 じん
M
{\displaystyle M}
的 てき 列 れつ 空間 くうかん 。在 ざい 线性代数 だいすう 數 すう 值計算 けいさん 中 ちゅう 奇 き 异值分解 ぶんかい 一般用于确定矩阵的有效秩,這是因 いん 為 ため ,由 ゆかり 於捨入 にゅう 誤差 ごさ ,秩虧矩 のり 陣 じん 的 てき 零 れい 奇異 きい 值可能會 のうかい 表現 ひょうげん 為 ため 很接近 せっきん 零 れい 的 てき 非 ひ 零 れい 值。
奇 き 异值分解 ぶんかい 在 ざい 统计中 ちゅう 的 てき 主要 しゅよう 应用为主成分 しゅせいぶん 分析 ぶんせき (PCA)。数 かず 据 すえ 集 しゅう 的 てき 特 とく 征 せい 值(在 ざい SVD中 ちゅう 用 よう 奇 き 异值表 ひょう 征 せい )按照重要 じゅうよう 性 せい 排列 はいれつ ,降 くだ 维的过程就是舍 しゃ 弃不重要 じゅうよう 的 てき 特 とく 征 せい 向 こう 量的 りょうてき 过程,而剩下 か 的 てき 特 とく 征 せい 向 こう 量 りょう 张成空 そら 间为降维后的 てき 空 そら 间。
幾 いく 種 しゅ 程 ほど 式 しき 語 ご 言 げん 中 ちゅう 计算SVD的 てき 函 はこ 式 しき 範 はん 例 れい [ 编辑 ]
{U, Σ しぐま , V}=SingularValueDecomposition[a]
[b c d]=svd(x)
void cvSVD( CvArr* A, CvArr* W, CvArr* U=NULL, CvArr* V=NULL, int flags=0 )
U,s,Vh = scipy.linalg.svd(A)
S=svd(x)
Demmel, J. and Kahan, W. (1990). Computing Small Singular Values of Bidiagonal Matrices With Guaranteed High Relative Accuracy. SIAM J. Sci. Statist. Comput. , 11 (5), 873-912.
Golub, G. H. and Van Loan, C. F. (1996). "Matrix Computations". 3rd ed., Johns Hopkins University Press, Baltimore. ISBN 0-8018-5414-8 .
Halldor, Bjornsson and Venegas, Silvia A. (1997). "A manual for EOF and SVD analyses of climate data" (页面存 そん 档备份 ,存 そん 于互联网档案 あん 馆 ). McGill University, CCGCR Report No. 97-1, Montréal, Québec, 52pp.
Hansen, P. C. (1987). The truncated SVD as a method for regularization. BIT , 27 , 534-553.
Horn, Roger A. and Johnson, Charles R (1985). "Matrix Analysis". Section 7.3. Cambridge University Press. ISBN 0-521-38632-2 .
Horn, Roger A. and Johnson, Charles R (1991). Topics in Matrix Analysis, Chapter 3. Cambridge University Press. ISBN 0-521-46713-6 .
Strang G (1998). "Introduction to Linear Algebra". Section 6.7. 3rd ed., Wellesley-Cambridge Press. ISBN 0-9614088-5-5 .