特征值特征向量与SVD奇异值分解

以下内容是读这篇博客后的小结，学习了一下关于特征值特征向量与SVD奇异值分解相关知识。

https://blog.csdn.net/xiaocong1990/article/details/54909126

https://blog.csdn.net/zhyh1435589631/article/details/62218421

特征值和特征向量是线性代数中十分重要的概念。在线性代数中，矩阵表示的是一种线性变换，特征值表示矩阵的主要信息，特征向量表示变换的主要方向。但是特征值与特征向量仅用于方阵中，对于一般的矩阵并不适用，因此引入SVD奇异值分解。

主要作用就是：用部分主要的的奇异值以及对应的奇异值向量来表示整个矩阵信息，这对于减小运算量与内存来说十分有用。其他具体内容上面的博客讲的非常清楚了，就不在重复。主要应用于：

1、在ORB-SLAM的单目初始化过程中，大量的使用到了SVD奇异值分解。可以求解基本矩阵F，单应性矩阵H，以及初始化的三维点。

2、PCA主成成分分析。

贴上一个讲特征值与特征向量的视频，形象生动，有兴趣的可以看看：

https://www.bilibili.com/video/av6540378?from=search&seid=1910776378530218193