矩阵
线性代数是可用的
前言:SVD:奇异值分解
奇异值分解是一种重要的矩阵分解方法,可以看做对称仿真在任意矩阵上的推广。假设一个A矩阵是一个m×n阶的实矩阵,则存在一个分解使得:
A m × n = U m × m ∑ m × n V n × n T A_{m\times n}=U_{m\times m}\sum\nolimits_{m\times n}V_{n\times n}^T Am×n=Um×m∑m×nVn×nT
我们通常将奇异值由大到小排列,这样 ∑ \sum ∑就能由A唯一确定了。
与特征值、特征向量的概念相对的:
- ∑ \sum ∑对角线上的元素称为矩阵A的奇异值
- U的第i列称为A的关于 σ i \sigma_i σi的左奇异向量
- V的第i列称为A的关于 σ i \sigma_i σi的右奇异向量
- U和V都为单位正交矩阵: U T U = I U^TU=I UTU=I, V T V = I V^TV=I VTV=I
代数余子式,余子式,余子项
将一个n阶行列式A中,第(i,j)个元素所在的第i行,第j列划去后,留下的n-1阶仿真的行列式叫做 a i j a_{ij} aij的余子式计作 M i j M_{ij} Mij。
代数余子式: A i j = ( − 1 ) i +