C++实现奇异值分解SVD（附带源码）

最新推荐文章于 2025-02-16 18:34:03 发布

Katie。

最新推荐文章于 2025-02-16 18:34:03 发布

阅读量970

点赞数 18

分类专栏： c、c++实战项目文章标签： c++ 开发语言

本文链接：https://blog.csdn.net/m0_61840987/article/details/145394895

版权

c、c++实战项目专栏收录该内容

510 篇文章

订阅专栏

C++ 实现奇异值分解（SVD）

1. 项目介绍

奇异值分解（Singular Value Decomposition, SVD）是一种重要的矩阵分解方法，被广泛应用于 数据降维、信号处理、图像压缩、主成分分析（PCA）等领域。
SVD 的基本公式如下：

其中：

A 是 m×n 矩阵，即待分解的矩阵。
U 是 m×m 正交矩阵（左奇异向量）。
Σ 是 m×n 对角矩阵（奇异值）。
V^T 是 n×n 正交矩阵（右奇异向量）。

在本项目中，我们使用 C++ 结合 Eigen 库 来实现 SVD，并提供详细的代码解析。

2. 代码实现

#include <iostream>
#include <Eigen/Dense>  // 引入 Eigen 库

using namespace std;
using namespace Eigen;

int main() {
    // 1. 定义一个 3x3 矩阵
    MatrixXf A(3, 3);
    A << 1, 2, 3,
         4, 5, 6,
         7, 8, 9;
    
    // 2. 进行 SVD 分解
    JacobiSVD<MatrixXf> svd(A, ComputeThinU | ComputeThinV);
    
    // 3. 获取分解结果
    MatrixXf U = svd.matrixU();  // U 矩阵
    MatrixXf S = svd.singularValues().asDiagonal();  // 奇异值矩阵 Σ
    MatrixXf V = svd.matrixV();  // V 矩阵

    // 4. 输出结果
    cout << "原矩阵 A:" << endl << A << endl << endl;
    cout << "左奇异矩阵 U:" << endl << U << endl << endl;
    cout << "奇异值矩阵 Σ:" << endl << S << endl << endl;
    cout << "右奇异矩阵 V:" << endl << V << endl << endl;

    return 0;
}

3. 代码解读

3.1 头文件与命名空间

在程序的开头，我们引入了 Eigen 库 和 iostream，并使用了 Eigen 和 std 命名空间：

#include <Eigen/Dense>：这是 Eigen 库的头文件，提供了矩阵运算和 SVD 相关的功能。
#include <iostream>：用于控制台输入输出，显示计算结果。
using namespace Eigen; 和 using namespace std; 是为了方便编写代码，避免在每个使用 Eigen 类型或命令时都需要加上命名空间前缀。

3.2 定义输入矩阵

我们通过以下代码定义了一个 3x3 的矩阵：

MatrixXf A(3, 3);：这里使用 MatrixXf 类型来定义一个 3x3 的浮点型矩阵。
A << 1, 2, 3, 4, 5, 6, 7, 8, 9;：这行代码给矩阵 A 赋值，将其元素设为一个 3x3 的整数矩阵。

此矩阵 A 将作为待分解的矩阵，进行 SVD 运算。

3.3 奇异值分解（SVD）

接下来，我们使用 Eigen 库中的 JacobiSVD 类进行 SVD 分解：

JacobiSVD<MatrixXf> svd(A, ComputeThinU | ComputeThinV);：这里我们创建了一个 JacobiSVD 对象 svd，并调用其构造函数进行 SVD 分解。ComputeThinU 和 ComputeThinV 表示我们只计算精简版的左奇异矩阵 U 和右奇异矩阵 V，这样可以提高计算效率。

3.4 获取 SVD 分解结果

svd.matrixU()：获取 左奇异矩阵 U，即原矩阵 A 的左奇异向量构成的矩阵。
svd.singularValues().asDiagonal()：获取 奇异值矩阵 Σ，返回的是一个包含奇异值的对角矩阵。奇异值是原矩阵中最重要的信息，决定了矩阵的秩和有效性。
svd.matrixV()：获取 右奇异矩阵 V，即原矩阵 A 的右奇异向量构成的矩阵。

3.5 输出分解结果

最后，我们使用 cout 输出结果：

cout << "原矩阵 A:" << endl << A << endl << endl;：显示输入矩阵 A。
cout << "左奇异矩阵 U:" << endl << U << endl << endl;：显示左奇异矩阵 U。
cout << "奇异值矩阵 Σ:" << endl << S << endl << endl;：显示奇异值矩阵 Σ。
cout << "右奇异矩阵 V:" << endl << V << endl << endl;：显示右奇异矩阵 V。

3.6 程序执行流程

定义输入矩阵 A。
使用 JacobiSVD 对象对 A 进行奇异值分解，得到 U、Σ、V。
输出原矩阵及其分解结果。

4. 运行结果示例

假设输入矩阵 A 如下：

程序输出的结果可能类似于：

原矩阵 A:
1 2 3
4 5 6
7 8 9

左奇异矩阵 U:
-0.214837  -0.887231  0.408248
-0.520587  -0.249644  -0.816497
-0.826338  0.387943   0.408248

奇异值矩阵 Σ:
16.8481  0      0
0       1.06837 0
0       0      0

右奇异矩阵 V:
-0.479671  0.776697  0.408248
-0.572367  0.075686  -0.816497
-0.665064 -0.625325  0.408248

可以看出，程序成功地将矩阵 A 分解为 U、Σ 和 V。