SVD奇异值分解(1)-数学基础

奇异值分解（SingularValue Decomposition）是线性代数中一种重要的矩阵分解，是矩阵分析中正规矩阵酉对角化的推广。它常被用在信号处理，数据降维，当前在推荐系统中也开始流行。

1.矩阵计算

矩阵的数乘是K乘以矩阵中的所有元素，其中K、M、O、L为0。

最简单的矩阵乘法。

2.线性空间

(1)定义：

线性空间：“客观”存在的一种空间，对加法和数乘具有封闭性。

向量：既有大小又有方向的量，同时没有起点

线性空间的基：描述空间内向量的一组“特殊”的向量，空间内的所有向量都能被一组基的线性组合表示。

举例：直线就是一维的线性空间，平面就是二维线性空间，三维立体空间就是三维线性空间。

(2)线性空间的基

x=(1,0), y=(0,1), c(5,3)=5x+3y, 则c在基x，y下的坐标为(5,3);

a=(1.5,1.5), b=(2,0), c=(5,3)=2a+b, 则c基a，b下的坐标为(2,1);

(3)线性映射&线性变换

(4)线性变换和矩阵表示

(5)线性变换

(6)求特征值

(7)求特征向量

(8)特征向量的几何意义

3.对角化变换(特征值分解)