matlab中的奇异值分解

引言：在线性代数中，我们都知道一个方阵如果相似，那这个矩阵就可以分解成三个简单矩阵的乘积：

        相似矩阵能够将一个复杂矩阵分解成简单矩阵，这样就可以降低计算难度。但并不是任意一个矩阵都存在相似矩阵，不仅要求该矩阵为方阵，还需要满足其他条件。既然不是所有矩阵都能利用相似矩阵分解，那有没有一种分解能够对所有矩阵都存在呢？哎，奇异值分解就是了。

原理：根据矩阵的线性变换，将一个矩阵分解为三个简单矩阵的乘积，即A=U*D*V，V—仅有主对角线上有值，其他全为0，主对角线上的数值称为A的奇异值，且奇异值按照从大到小的顺序进行排列，奇异值=A T *A的特征值开平方。U—左特征向量，将矩阵A*A的转置按照特征值分解，求出的特征向量就构成了U；D—右特征向量，将矩阵AT*A进行特征值分解，求出的特征向量构成的矩阵即为D，其中，U，D矩阵中特征向量的顺序按照奇异值排列的顺序排列。

补充：（1）A的正奇异值个数 = rank（A），且A和A的转置有相同的奇异值；（2）奇异值矩阵中的奇异值按从小到大排列，而且奇异值σ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，也就是说较大的部分奇异值就占有所有奇异值的主要信息，用部分奇异值就可以表示全部奇异值。

作用：对数据进行降维，在保留数据主要信息的基础上将高维数据降维低维，便于处理。
应用：（1）消除信息中的冗余信息和降低信息中的噪声；（2）对图片进行压缩。

函数：svd()

格式：[U，V，S ] = svd（A）。

验证一下，