奇异值分解 (sigular value decomposition,SVD) 是一种正交矩阵分解法;SVD是最可靠的分解法,但是它比QR 分解(QR分解法是将矩阵分解成一个正规正交矩阵与上三角形矩阵。)法要花上近十倍的计算时间。[U,S,V]=svd(A),其中U和V代表二个相互正交矩阵,而S代表一对角矩阵。 和QR分解法相同者, 原矩阵A不必为正方矩阵。
使用SVD分解法的用途是解最小平方误差法和数据压缩。
函数 svd
格式 s = svd (X) %返回矩阵X 的奇异值向量
[U,S,V] = svd (X) %返回一个与X 同大小的对角矩阵S,两个酉矩阵U 和V,
且满足= USV’。若A 为m×n 阵,则U 为m×m 阵,V
为n×n 阵。奇异值在S 的对角线上,非负且按降序排列。
[U,S,V] = svd (X,0) %得到一个“有效大小”的分解,只计算出矩阵U 的前n
列,矩阵S 的大小为n×n。
[U,S,V] = svd(X,‘econ’) also produces the"economy size" decomposition. If X ism-by-n with m >= n, it is equivalent to svd(X,0).For m < n, only the first m columns of V arecomputed and S is m-by-m
转载https://blog.csdn.net/zxiong9397/article/details/52710053
例1
[U,S,V]=svd(A)
例2
[U,S,V]=svd(A,0)
例3
[U,S,V]=svd(A,‘econ’)
m>n
----------------------------------------------------------------------------------
m<n