矩阵svd分解

最新推荐文章于 2023-06-19 15:36:36 发布

爱做数据的不正经后端程序猿

最新推荐文章于 2023-06-19 15:36:36 发布

阅读量134

点赞数

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/qq_29284253/article/details/127061781

版权

对于任意阶矩阵 $M$ ,阶数( $m*n$ )， $rank(M)=r,r\leq m,r\leq n$ ,

则有： $rank(M^{T}M)=rank(MM^{T})=r_{1}\leq r$ .............................证明后续补充

假设 $V=[v_{1},v_{2}...v_{r_{1}}]$ 是 $M^{T}M$ 的单位正交化特征向量，对应的特征值依次为 $\sum$

则由特征值特征向量定义：

$M^{T}MV=V\sum$

因正交向量基经过矩阵变化后仍然正交.......................................................证明后续补充

则： $(Mv_{i})^{T}Mv_{i}=v_{i}^{T}M^{T}Mv_{i}=v_{i}^{T}\lambda _{i}v_{i}...........$ $v_{i}$ 是 $M^{T}M$ 关于 $\lambda_{i}$ 的特征向量

$\left \| Mv_{i} \right \|=\sqrt{\lambda_{i}}..................$ 向量的模长是内积的开平方根， $v_{i}$ 是单位向量，内积为1

单位化 $Mv_{i}$ 为： $u_{i}=\frac{Mv_{i}}{\sqrt{\lambda_{i}}}$

则：

$\\M^{T}U\sqrt{\sum }=V\sum\\ M^{T}=V\sqrt{\sum }U^{T}\\\\ M=U\sqrt{\sum }V^{T}$ ............................................单位正交矩阵的逆=转置，后续证明

爱做数据的不正经后端程序猿

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
1
评论
矩阵svd分解

svd分解原理
复制链接

扫一扫

评论 1

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。