详解SVD（奇异值分解）

最新推荐文章于 2025-03-17 23:46:20 发布

越来越胖的GuanRunwei

最新推荐文章于 2025-03-17 23:46:20 发布

阅读量3k

点赞数

分类专栏：数学

本文链接：https://blog.csdn.net/qq_38890412/article/details/113577003

版权

数学专栏收录该内容

31 篇文章

订阅专栏

1、特征值分解（EVD）

实对称矩阵

在理角奇异值分解之前，需要先回顾一下特征值分解，如果矩阵 $A$ 是一个 $m*m$ 的实对称矩阵（即 $A=A^T$ ），那么它可以被分解成如下的形式

$A = Q\Sigma Q^T = Q\begin{bmatrix} \lambda1 & \\ & \lambda2 & \\ & & \lambda3 \\ \end{bmatrix}Q^T \quad \quad \quad \quad #(1-1)$

其中 $Q$ 为标准正交阵，即有 $QQ^T = I$ ， $\Sigma$ 为对角矩阵，且上面的矩阵的维度均为 $m*m$ 。 $\lambda_i$ 称为特征值， $q_i$ 是 $Q$ 的（特征矩阵）中的列向量，称为特征向量。

（注： $I$ 在这里表示单位阵，有时候也用 $E$ 表示单位阵。式（1-1）的具体求解过程就不多叙述了，可以追忆一下美好的大学时光的线性代数，简单地有如下关系： $Aq_i = \lambda_i q_i,\quad q_i^Tq_j = 0(i\neq j)$ ）

一般矩阵

上面的特征值分解，对矩阵有着较高的要求，它需要被分解的矩阵，它需要被分解的矩阵 $A$ 为实对称矩阵，但是现实中，我们所遇到的问题一般不是是对称矩阵。那么当我们碰到一般性的矩阵，即有一个 $m*n$ 的矩阵 $A$ ，它是否能被分解成上面的式（1-1）的形式呢？当然是可以的，这就是我们下面要讨论的内容。

2、奇异值分解（SVD）

2.1 奇异值分解定义

有一个 $m*n$ 的实数矩阵 $A$ ，我们想要把它分解成如下的形式

$A=U\Sigma V^T \quad \quad \quad \quad (2-1)$

其中 $U$ 和 $V$ 均为单位正交阵，即有 $UU^T=I$ 和 $VV^=I$ ， $U$ 称为左奇异矩阵， $V$ 称为右奇异矩阵， $\Sigma$ 仅在主对角线上有值，我们称它为奇异值，其他元素均为0。上面矩阵的维度分别为 $U\in R^{m*m}, \Sigma \in R^{m*n}, V\in R^{n*n}$ 。

一般地 $\Sigma$ 有如下形式（这里是4*5）

$\Sigma=\begin{bmatrix} \sigma_1 & 0&0 &0 &0 \\ 0& \sigma_2 &0 &0 &0 \\ 0& 0& \sigma_3 & 0& 0\\ 0& 0& 0& \sigma_4 &0 \end{bmatrix}_{m*n}$

图1-1 奇异值分解

对于奇异值分解，我们可以利用上面的图形象表示，图中方块的颜色表示值的大小，颜色越浅，值越大。对于奇异值矩阵ΣΣ，只有其主对角线有奇异值，其余均为0。

2.2 奇异值求解

正常求上面的 $U,V,\Sigma$ 不便于求，我们可以利用如下性质

$AA^T=U\Sigma V^TV\Sigma U^T = U\Sigma \Sigma^T U^T \quad \quad \quad \quad (2-2)$

$AA^T=V\Sigma ^T U^T U \Sigma V^T = V\Sigma ^T \Sigma V^T \quad \quad \quad \quad (2-3)$

（注：需要指出的是，这里 $\Sigma \Sigma ^T$ 与 $\Sigma^T\Sigma$ 在矩阵的角度上来说，它们是不相等的，因为它们的维数不同 $\Sigma \Sigma^T \in R^{m*m}$ ，而 $\Sigma^T \Sigma \in R^{n*n}$ ，但是他们在主对角线的奇异值是相等的，即有

$\Sigma\Sigma^T=\begin{bmatrix} \sigma^2_1& 0& 0& 0& \\ 0& \sigma^2_2& 0& 0& \\ 0& 0& \sigma^2_3& 0& \\ 0 & 0& 0& \sigma^2_4& \end{bmatrix}_{m*m}$ $\Sigma^T\Sigma=\begin{bmatrix} \sigma^2_1& 0& 0& 0& \\ 0& \sigma^2_2& 0& 0& \\ 0& 0& \sigma^2_3& 0& \\ 0 & 0& 0& \sigma^2_4& \end{bmatrix}_{n*n}$

可以看到式（2-2）与式（1-1）的形式非常相同，进一步分析，我们可以发现 $AA^T$ 和 $A^TA$ 也是对称矩阵，那么可以利用式（1-1），做特征值分解。利用式（2-2）特征值分解，得到的特征矩阵即为 $U$ ；利用式（2-3）特征值分解，得到的特征值矩阵即为 $V$ ；对 $\Sigma \Sigma ^T$ 或 $\Sigma^T \Sigma$ 的特征值开方，可以得到所有的奇异值。

3、奇异值分解应用

3.1 纯数学例子

假设我们现在有矩阵 $A$ ，需要对其做奇异值分解，已知

$A=\begin{bmatrix} 1 & 5& 7& 6&1 \\ 2& 1& 10& 4 &1 \\ 3& 6 & 7& 5 & 2 \end{bmatrix}$

那么可以求出 $AA^T$ 和 $A^TA$ ，如下

$AA^T = \begin{bmatrix} 112 & 105& 114\\ 105& 137& 110\\ 114& 110& 123 \end{bmatrix}$ $AA^T = \begin{bmatrix} 14 & 25& 48& 29& 15\\ 25& 62& 87& 64&21 \\ 48& 87& 198& 117&61 \\ 29& 64& 117& 77&32 \\ 15& 21& 61 & 32& 21 \end{bmatrix}$

分别对上面做特征值分解，得到如下结果

U = 
[[-0.55572489, -0.72577856,  0.40548161],
 [-0.59283199,  0.00401031, -0.80531618],
 [-0.58285511,  0.68791671,  0.43249337]]
 
V = 
[[-0.18828164, -0.01844501,  0.73354812,  0.65257661,  0.06782815],
 [-0.37055755, -0.76254787,  0.27392013, -0.43299171, -0.17061957],
 [-0.74981208,  0.4369731 , -0.12258381, -0.05435401, -0.48119142],
 [-0.46504304, -0.27450785, -0.48996859,  0.39500307,  0.58837805],
 [-0.22080294,  0.38971845,  0.36301365, -0.47715843,  0.62334131]]

奇异值 $\Sigma$ =Diag(18.54,1.83,5.01)