6. 矩阵SVD分解
- pdf版本下载:https://pan.baidu.com/s/1o82ULa6
- html版本下载:https://pan.baidu.com/s/1nvshyTb
矩阵的SVD(Singular Value Decomposition)分解是矩阵当中的一种重要分解,具有广泛应用。比如说进行数据降维,特征提取,特别是用于图像的压缩。在线性代数里面似乎很少讲到矩阵的奇异值分解,这里单纯从数学原理角度解释一下SVD分解,可能会涉及到一些应用场景。
1 SVD分解的形式
矩阵 Mm∗n 存在分解: Mm∗n=Um∗mΣm∗nVTn∗n ,其中 U、V 是正交阵, Σ 是对角矩阵。
2 特征值分解EVD
在进行矩阵的奇异值分解之前,首先来看一下矩阵的特征值分解EVD(Eigen Value Decomposition)。这两者有着很紧密的关系。
特征值分解需要将矩阵分解成这样的形式:
Am∗m=Um∗mΛm∗mU−1m∗m=Um∗mΛm∗mUTm∗m
其中, A 是m∗m 的满秩对称矩阵, U 为正交阵,Λ 是由 A 的特征值组成的对角阵。证明:
假设矩阵A 的m个特征值分别为 λi ,对应的特征向量分别为 xi ,那么:
⎧⎩⎨⎪⎪⎪⎪