【无标题】

Matlab和Python 对于计算奇异值svd的区别

1、MATLAB

2、PYTYON
代码如下：

H = np.array([[3.16991321031250,52.4425641326457,2.73475152482102],
              [-8.76695007100685,43.4831885343255,-37.1705395356264],
              [-1.59218748085971,-24.3510937156625,12.8339630267640]]
             )
u, s , v = np.linalg.svd(H) 

结果如下：

区别：可以看出 matlab求出的v和python求出的v互为转置；
其实matlab算出来的更符合公式VT，

SVD分解（奇异值分解）

之前我们学过特征值、特征向量和特征值分解，基于线性代数知识，利用特征值分解提取特征矩阵是一个容易解决的方法。
那我们学习SVD分解的意义在哪里呢？
特征值分解只能针对方阵，而在我们实际应用中，大部分是非方阵，即mn。
SVD分解是一个能适用于任意矩阵的一种分解的方法。

假设A为一个mn的矩阵。
U里面的向量被称为左奇异向量，为mm的方阵；
E中对角线上的元素被称为奇异值。除了对角线其它元素都为0，为mn矩阵；

VT是V的转置矩阵，里面的向量被称为右奇异向量，为n*n的矩阵。