SVD(奇异值分解)
定义
奇异值分解(Singular Value Decomposition)是线性代数中一种重要的矩阵分解,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。SVD对矩阵进行分解,并不要求分解的矩阵为方阵。其数学公式如下:
M
=
U
Σ
V
T
M=U\Sigma{V^T}
M=UΣVT其中U是m阶正交矩阵,V是n阶正交矩阵,Σ是m×n阶对角矩阵其对角元素非负,且按降序排列。
几何意义
对于二维矩阵M,我们总能找到一直标准正交基
v
1
⃗
\vec{v_1}
v1和
v
2
⃗
\vec{v_2}
v2通过线性变换,使得
M
v
1
⃗
M\vec{v_1}
Mv1和
M
v
2
⃗
M\vec{v_2}
Mv2也是正交的,其中我们用另一组正交基
u
1
⃗
\vec{u_1}
u1和
u
2
⃗
\vec{u_2}
u2来表示
M
v
1
⃗
M\vec{v_1}
Mv1和
M
v
2
⃗
M\vec{v_2}
Mv2的方向,
σ
1
\sigma_1
σ1和
σ
2
\sigma_2
σ2来表示伸缩比例。
大家可以参考SVD几何意义这篇文章
应用
SVD分解有很多应用,可用于矩阵的特征分解,求伪逆,最小二乘问题求解,图像压缩…
在矩阵
Σ
\Sigma
Σ中奇异值的减少特别的快,在很多情况下,前10%甚至1%的奇异值的和就占了全部的奇异值之和的99%以上了。对角矩阵
Σ
\Sigma
Σ中的奇异值可以用来表示原始矩阵中的信息量大小,也就是说,我们可以用前k个大的奇异值来近似描述矩阵,而奇异值较小的部分则可以看作是噪声。通过将奇异值较小的部分清零,就可以去除噪声,从而达到去噪的效果。
M
=
U
m
×
m
Σ
m
×
n
V
n
×
n
T
≈
U
m
×
k
Σ
k
×
k
V
k
×
n
T
M=U_{m×m}\Sigma_{m×n}V^T_{n×n}\approx U_{m×k}\Sigma_{k×k}V^T_{k×n}
M=Um×mΣm×nVn×nT≈Um×kΣk×kVk×nT由于这个重要的性质,SVD可以用于PCA降维,来做数据压缩和去噪。PCA算法的作用是把数据集映射到低维空间中去。 数据集的特征值(在SVD中用奇异值表征)按照重要性排列,降维的过程就是舍弃不重要的特征向量的过程,而剩下的特征向量组成的空间即为降维后的空间。
代码
以下代码为matlab实现简单去噪功能。
clc;
clear;
% 构造一个原始信号
x = 0:0.1:9.9;
y = sin(x);
% 添加噪声
y_noise = y + 0.1*randn(size(x));
Y_noise=reshape(y_noise,10,10);
% SVD分解
[U,S,V] = svd(Y_noise);
% 保留前k个奇异值
k=2;
S(k+1:end,k+1:end) = 0;
% 重构信号
Y_denoised = U*S*V';
y_denoised=reshape(Y_denoised,1,100);
% 绘制信号图
figure;
subplot(3,1,1);
plot(y);
title('原始信号');
subplot(3,1,2);
plot(y_noise);
title('添加噪声后的信号');
subplot(3,1,3);
plot(y_denoised);
title('去噪后的信号');