（转）矩阵论笔记：奇异值分解SVD(Singular Value Decomposition)以及应用总结！

原

矩阵论笔记：奇异值分解SVD(Singular Value Decomposition)以及应用总结！

2019年03月14日 21:44:04 KaifangZhang 阅读数：245 更多

                                              <div class="tags-box space">
            <span class="label">所属专栏：</span>
                              <a class="tag-link" href="https://blog.csdn.net/column/details/33085.html" target="_blank">机器学习</a>
                            
          </div>
                          </div>
    <div class="operating">
              </div>
  </div>
</div>

      版权声明：本文为博主原创文章，引用时请附上链接。          https://blog.csdn.net/abc13526222160/article/details/88562191        </div>
        <link rel="stylesheet" href="https://csdnimg.cn/release/phoenix/template/css/ck_htmledit_views-f57960eb32.css">
                          <div id="content_views" class="markdown_views prism-dracula">
        <!-- flowchart 箭头图标 勿删 -->
        <svg xmlns="http://www.w3.org/2000/svg" style="display: none;">
          <path stroke-linecap="round" d="M5,0 0,2.5 5,5z" id="raphael-marker-block" style="-webkit-tap-highlight-color: rgba(0, 0, 0, 0);"></path>
        </svg>
         <div class="table-box"><table><tbody><tr><td bgcolor="black"><font size="3" color="yellow">奇异值分解SVD(Singular Value Decomposition)以及应用总结！</font></td></tr></tbody></table></div>

奇异值分解（Singular Value Decomposition）是线性代数中一种重要的矩阵分解(Matrix Decomposition)，奇异值分解则是特征分解在任意矩阵上的推广。在信号处理、统计学等领域有重要应用。这篇文章主要说下奇异值分解，这个方法在机器学习的一些算法里占有重要地位。

一、相关概念

1.1、正交矩阵

如果一个矩阵满足以下几个条件，则此矩阵就是正交矩阵：

• 是一个方阵
• 和自己的转置矩阵的矩阵乘积 = 单位矩阵$EEE$（1）的具体求解过程就不多叙述了，可以回忆一下大学时的线性代数。简单地有如下关系：$Aqi=$