本文详细介绍了矩阵的特征值分解（EVD）和奇异值分解（SVD），包括它们的定义、应用场景以及相互之间的联系。EVD适用于实对称矩阵，SVD则对任意矩阵有效。SVD可以视为EVD的一种推广，当A为方阵时，EVD的特征值即为SVD中奇异值的平方。通过EVD和SVD，可以进行矩阵的谱分析、低秩近似和数据分析等任务。
一、特征值分解EVD
其中：
1、Q为标准正交阵，Σ为对角矩阵，λ称为特征值，q是Q（特征矩阵）的列向量，称为特征向量。
2、A为方阵，是m*m的实对称矩阵
二、奇异值分解
其中：
1、A是m*n的矩阵
2、U是m*m的标准正交阵，V是n*n的标准正交阵。
3、是m*n的矩阵
三、如何做SVD，如何联系SVD和EVD
EVD是SVD的特殊形式，EVD要求更严格，需要A为方阵。
其中：
1、是m*m的，
是n*n的
2、而对于A，其特征值λ（奇异值）是、
的特征值开根号得到。
四、举例
1、计算、
2、计算的特征值、特征向量，从而得到V、
3、 计算的特征值、特征向量U、
4、 计算A的奇异值
5、最终奇异值分解
参考：
955
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
