学习笔记1：矩阵恢复算法1——奇异值阈值算法（SVT）

承接低秩矩阵恢复模型笔记，记录第一个低秩矩阵恢复算法——奇异值阈值（Singular Value Thresholding, SVT），记录学习内容，内容非原创。

1奇异值分解(Singular Value Decomposition,SVD)

设$X\in R_{m\times n}$,定义$$X=U\Sigma V^T$$其中，U，V为正交矩阵，$\Sigma$为对角矩阵，对角线上元素为矩阵X的奇异值。
Matlab有矩阵奇异值分解的函数，[U,S,V] = svd(A)。
奇异值的性质：
（1）非负性，即奇异值${\sigma }_i$必大于等于0；
（2）矩阵非零奇异值的个数等于矩阵的秩；
（3）矩阵最大奇异值等于其谱范数，即${\sigma }_{m}ax=\Vert A{\Vert }_2。$

2奇异值阈值算法（Singular Value Thresholding,SVT）

2.1求解模型

$$\underset{x\in C}{\min }rank(X)$$$$s.t.P(U-$$