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 ∈ R m × n X\in R_{m\times n} X∈Rm×n,定义 X = U Σ V T X=U\Sigma V^T X=UΣVT其中,U,V为正交矩阵, Σ \Sigma Σ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 σ i \sigma_i σi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 σ m a x = ∥ A ∥ 2 。 \sigma_max=\lVert A\rVert_2。 σmax=∥A∥2。
2奇异值阈值算法(Singular Value Thresholding,SVT)
2.1求解模型
min x ∈ C r a n k ( X ) \min_{x\in C}rank(X) x∈Cminrank(X) s . t . P ( U − X ) = 0 s.t.P(U-X)=0 s.t.P(U−