超详细解释奇异值分解(SVD)【附例题和分析】 | 您所在的位置:网站首页 › 特征值求解技巧是什么 › 超详细解释奇异值分解(SVD)【附例题和分析】 |
目录 一. 矩阵对角化 二. 奇异值分解 三. 对比奇异值分解与特征值分解 四. SVD分解与四大基础子空间 五. SVD分解的正交矩阵 六. 方阵与SVD分解 七. 单位特征向量与SVD分解 八. 例题分析:秩为1 九. 例题分析:秩为2 十. 计算机网络与矩阵的秩 一. 矩阵对角化线性代数中,常出现把矩阵进行对角化的过程,然后将其应用于简化计算,解方程等等。但是,只有对称矩阵才可以对角化。另外,方阵才有特征值和特征向量的说法。 给定m行n列的矩阵A,如下方程: 该方程可能有一个解,可能有无数个解,也可能会出现无解的情况。 但我们知道 奇异值分解,singular value decomposition,通常简写为SVD分解。 备注:建议看这部分知识的小伙伴可以先看矩阵的LU分解,QR分解。 已知正定矩阵(positive definite matrix),如果我们想分析它的特征值和特征向量,可将其分解为如下: 其中 但,当矩阵非方阵(rectangular matrix),以上分解是行不通的,因为该矩阵没有特征值这一概念的。 由此,便出现了对矩阵进行SVD分解,通式如下: 其中 主对角线处的元素个数与原始矩阵A的秩有关。 备注:此处的矩阵A可以是任意矩阵,但 对任意m行n列的矩阵A,奇异值分解的综合理解如下: 正交矩阵U:m行m列,该矩阵的每一个列向量都是 正交矩阵V:n行n列,该矩阵的每一个列向量都是 对角阵 对于正定矩阵来讲,以上讨论的 对于非正定矩阵(要求是对称矩阵),此时 推广到复数矩阵,对于SVD分解 其中, 但 对于任意矩阵有四个非常重要的子空间:列空间(column space),行空间(row space),左零空间(left nullspace),零空间(nullspace)。 假定某m行n列矩阵A的秩为r,将矩阵U和V的列向量可以作为不同空间的标准正交基,如下: 矩阵U的前r个列向量可以作为A列空间的标准正交基;矩阵U的后m-r个列向量可以作为A左零空间的标准正交基;矩阵V的前r个列向量可以作为A行空间的标准正交基;矩阵U的后n-r个列向量可以作为A零空间的标准正交基;如下: 已知 这个结果有一个很有意思的理解角度:从矩阵V中随机抽取一个列向量 对方阵 此时U即为 同理,对 此时V即为
可以观察到 根据“六”中的讨论, 两边同时乘以矩阵A可得: 将 所以可得向量 综合可得: 以上过程的本质就是 对以下矩阵A进行SVD分解,并分析相关性质: 解: 该矩阵仅有一列,所以秩r=1,这也就意味着该矩阵进行SVD分解,中间的对角阵 对角阵 易得 对以下矩阵A进行SVD分解,并分析相关性质: 解: 显然,矩阵A的秩为2,易运算 可以分析出该方阵的特征值为3和1. 对原始矩阵A进行SVD分解如下: 可以发现该矩阵的奇异值为 矩阵U的每一列可以看成A的左奇异向量,也可以看成 矩阵V的每一列可以看成A的右奇异向量,也可以看成 我们都知道矩阵的秩代表的是线性独立的行向量或列向量的个数。但在实际的计算中这个量不是很好分析。 在物理层安全,或无线通信中,会存在噪声,这些噪声通常很小,进而延伸出矩阵有效的秩概念。 假定 (1) 很明显这个矩阵的秩为1 (2) 这个矩阵的秩也很好分析,为1 接下来我们来看第三个有趣的例子: 乍一看这个矩阵的秩为2,但实际情况真的如此吗? 我们知道 对这两个矩阵而言,特征值开根号即为奇异值,根据这个角度不难分析刚才的矩阵A有效的秩为1(不要忘记 |
CopyRight 2018-2019 实验室设备网 版权所有 |