SVD分解

是对奇异矩阵的分解

 先从特征值的分解说起， 对于方阵 A, n*n  ,

                                                                Ax=λx

x是一个n维向量， 则我们说λλ是矩阵A的一个特征值，而x是矩阵A的特征值λλ所对应的特征向量。

求出特征值和特征向量有什么好处呢？ 就是我们可以将矩阵A特征分解。如果我们求出了矩阵A的nn个特征值λ1≤λ2≤...≤λnλ1≤λ2≤...≤λn,以及这nn个特征值所对应的特征向量{w1,w2,...wn}{w1,w2,...wn}，，如果这nn个特征向量线性无关，那么矩阵A就可以用下式的特征分解表示：

                                                                      A=WΣW−1

　其中W是这nn个特征向量所张成的n×nn×n维矩阵，而Σ为这n个特征值为主对角线的n×n维矩阵。

　一般我们会把W的这n个特征向量标准化,即向量里的每个元素都除以向量的模即长度，此时W的n个特征向量为标准正交基，满足WTW=IWTW=I，即WT=W−1WT=W−1, 也就是说W为酉矩阵即正交矩阵。

这样我们的特征分解表达式可以写成

A=WΣWTA=WΣWT

　　　　注意到要进行特征分解，矩阵A必须为方阵。那么如果A不是方阵，即行和列不相同时，我们还可以对矩阵进行分解吗？答案是可以，此时我们的SVD登场了。

SVD也是对矩阵进行分解，但是和特征分解不同，SVD并不要求要分解的矩阵为方阵。假设我们的矩阵A是一个m×n的矩阵，那么我们定义矩阵A的SVD为：

A=UΣVT

　其中U是一个m×m的矩阵，Σ是一个m×n的矩阵，除了主对角线上的元素以外全为0，主对角线上的每个元素都称为奇异值，V是一个n×n的矩阵。U和V都是酉矩阵，即满足UTU=I,VTV=IUTU=I,VTV=I。下图可以很形象的看出上面SVD的定义：

那么我们如何求出SVD分解后的U,Σ,VU这三个矩阵呢？

　　　　如果我们将A的转置和A做矩阵乘法，那么会得到n×n的一个方阵ATA。既然ATA是方阵，那么我们就可以进行特征分解，得到的特征值和特征向量满足下式：

                                                           (ATA)vi=λivi

如果我们将A和A的转置做矩阵乘法，那么会得到m×m的一个方阵AAT。既然AATAAT是方阵，那么我们就可以进行特征分解，得到的特征值和特征向量满足下式：

                                                          (AAT)ui=λiui

这样我们就可以得到矩阵AAT的m个特征值和对应的m个特征向量uu了。将AAT的所有特征向量张成一个m×m的矩阵U，就是我们SVD公式里面的U矩阵了。一般我们将U中的每个特征向量叫做A的左奇异向量。

　　U和V我们都求出来了，现在就剩下奇异值矩阵Σ没有求出了。由于Σ除了对角线上是奇异值其他位置都是0，那我们只需要求出每个奇异值σ就可以了。

　　　　我们注意到:

A=UΣVT⇒AV=UΣVTV⇒AV=UΣ⇒Avi=σiui⇒σi=Avi/ui

即

A=UΣVT⇒AT=VΣTUT⇒ATA=VΣTUTUΣVT=VΣ2VT

奇异值就是ATA或者AAT的特征值的平方根

进一步我们还可以看出我们的特征值矩阵等于奇异值矩阵的平方，也就是说特征值和奇异值满足如

举例求解：