超定方程的求解、最小二乘解、Ax=0、Ax=b的解,求解齐次方程组,求解非齐次方程组(推导十分详细)

本篇主要介绍的是超定方程组的求解,如果你不想看繁琐的推导过程,你可以直接看红字部分的结论!

1. 齐次线性方程组 Ax = 0

对于方程 A x = 0 \bm A \bm x = 0 Ax=0,在我们实际的使用中,多数情况下只考虑方程数量多于未知元素的情形——超定方程组。

通过数学表示,可以将超定方程表示为: A x = 0 \bm A \bm x = 0 Ax=0 A \bm A A m × n m \times n m×n,列满秩,且 m > n m > n m>n

第一种解法:(求导)
首先,要求解 A x = 0 \bm A \bm x = 0 Ax=0,我们可以想象当你方程个数多于未知数时,一般就不存在精确解了。

A x = 0 \bm A \bm x = 0 Ax=0 存在精确解的条件是:rank( A \bm A A) < n n n

既然不存在精确解,那么我们就可以找一组近似解 x + \bm x^+ x+使得: x + = arg min ⁡ ∥ A x ∥ 2 (1) \bm x^+ = \argmin \|\bm A \bm x\|^2 \tag1 x+=argminAx2(1)

显然,这种思路是正确,既然我们不能得到精确的解,那么我们就找一组最符合情况的解,也就是使得(1)式最小的 x \bm x x

要想使得(1)式最小,很显然, x = 0 \bm x=0 x=0是它的解。但是多数情况下,我们对0解没有兴趣,我们想要的是非零解。

那么,对于(1)式,我们就不能任由它肆意的减小,必须给它加一些限制,让它在满足一个条件的情况下获得最小的 x + \bm x^+ x+。于是就想到既然不要0解,那么就要求 x \bm x x不能为零。于是可以构建一个带约束的最小二乘问题: x + = arg min ⁡ ∥ A x ∥ 2 , subject to ∥ x ∥ 2 = 1 (2) \bm x^+ = \argmin \|\bm A \bm x\|^2, \text{subject to} \|\bm x\|^2=1 \tag{2} x+=argminAx2,subject tox2=1(2)

如果 x \bm x x是方程 A x = 0 \bm A\bm x=0 Ax=0的一个解,那么 k x k\bm x kx显然也是( k k k是任意标量),所以就可以限制 ∥ x ∥ = 1 \|\bm x\|=1 x=1

对于(2)式这种带约束的优化问题,可以通过拉格朗日乘数法构建无约束优化:
L ( x , λ ) = ∥ A x ∥ 2 + λ ( 1 − ∥ x ∥ 2 ) = x T A T A x + λ ( 1 − x T x ) (3) L(\bm x,\lambda)=\|\bm A\bm x\|^2+\lambda(1-\|\bm x\|^2)=\bm x^T\bm A^{T} \bm A \bm x+\lambda(1-\bm x^T\bm x) \tag3 L(x,λ)=Ax2+λ(1x2)=xTATAx+λ(1xTx)(3)

为了获得 L ( x , λ ) L(\bm x,\lambda) L(x,λ)的极值,可以分别对 x \bm x x λ \lambda λ求偏导数:
∂ L ( x , λ ) ∂ x = 2 A T A x − 2 λ x (4) \frac{\partial L(\bm x,\lambda)}{\partial \bm x} = 2\bm A^T\bm A\bm x - 2\lambda \bm x \tag 4 xL(x,λ)=2ATAx2λx(4) ∂ L ( x , λ ) ∂ λ = 1 − x T x = 0 (5) \frac{\partial L(\bm x,\lambda)}{\partial \lambda}= 1-\bm x^T\bm x =0\tag 5 λL(x,λ)=1xTx=0(5)

令(4)式为0,得
A T A x = λ x (6) \bm A^T\bm A\bm x=\lambda\bm x \tag 6 ATAx=λx(6)

通过(6)式可以知道,要想获得 L ( x , λ ) L(\bm x,\lambda) L(x,λ)的极值,就必须使得 x , λ \bm x,\lambda x,λ满足(6)。观察不难发现, λ , x \lambda,\bm x λ,x分别是 A T A \bm A^T\bm A ATA的特征值和特征向量。

A T A \bm A^T \bm A ATA的特征值和特征向量很多,而且都满足(6)式子,那么究竟哪一个特征值和特征向量可以使(2)式取得极小值呢?
∥ A x ∥ 2 = x T A T A x = x T λ x = λ x T x = λ (7) \|\bm A \bm x\|^2 = \bm x^T \bm A^T\bm A \bm x=\bm x^T\lambda\bm x = \lambda\bm x^T\bm x = \lambda \tag 7 Ax2=xTATAx=xTλx=λxTx=λ(7)

不妨来看一下(7)式的推导,我们已经知道 A T A \bm A^T \bm A ATA的特征值和特征向量中的一个会使得(2)式子取得极小值,所以(7)式的推导就用上了特征值和特征向量的性质,也就是(6)式: A T A x = λ x \bm A^T \bm A \bm x=\lambda\bm x ATAx=λx,另外 x T x = 1 \bm x^T \bm x =1 xTx=1

到目前为止,答案很显然了,最小的 λ \lambda λ的最小值就对应 ∥ A x ∥ 2 \|\bm A\bm x\|^2 Ax2的最小值。

所以,对于超定方程 A x = 0 \bm A\bm x =0 Ax=0的解就是 A T A \bm A^T \bm A ATA最小特征值对应的特征向量。

第二种解法(SVD分解)
对于超定方程组 A x = 0 \bm A \bm x = 0 Ax=0,依然如前述一样,构建一个有约束的优化问题:
arg min ⁡ ∥ A x ∥ , subject to ∥ x ∥ = 1 (8) \argmin\|\bm A \bm x\|,\text{subject to}\|x\|=1 \tag 8 argminAx,subject tox=1(8)

A \bm A A进行SVD分解获得:
A = U D V T (9) \bm A = \bm U\bm D \bm V^T \tag 9 A=UDVT(9)

将(9)式子带入(8)式,得
arg min ⁡ ∥ A x ∥ = arg min ⁡ ∥ U D V T x ∥ = arg min ⁡ ∥ D V T x ∥ (10) \argmin\|\bm A\bm x\|=\argmin\| \bm U\bm D \bm V^T \bm x\|=\argmin\|\bm D\bm V^T\bm x\| \tag{10} argminAx=argminUDVTx=argminDVTx(10)

之所以可以去掉 U \bm U U,是利用了正交矩阵的保范性。 ∥ U D V T x ∥ = ∥ D V T x ∥ , ∥ V T x ∥ = ∥ x ∥ \|\bm U\bm D \bm V^T \bm x\|=\|\bm D\bm V^T\bm x\|,\|\bm V^T\bm x\| = \|\bm x\| UDVTx=DVTxVTx=x

这里可以令:
y = V T x (11) \bm y = \bm V^T\bm x \tag{11} y=VTx(11)

则(10)式就等价于:
arg min ⁡ ∥ D y ∥ (12) \argmin \|\bm D \bm y\| \tag{12} argminDy(12)

那么问题就变成了,在 ∥ y ∥ = 1 \|\bm y\|=1 y=1的条件下最小化 ∥ D y ∥ \|\bm D \bm y\| Dy

矩阵 D \bm D D是由 A \bm A A矩阵SVD分解的特征值组成的对角矩阵,我们假设对角矩阵的特征值按照降序排列,那么势必最后一个特征值是最小。所以当我们的 y = ( 0 , 0 , ⋯   , 1 ) \bm y=(0,0,\cdots,1) y=(0,0,,1)时不但满足 ∥ y ∥ = 1 \|\bm y\|=1 y=1,而且还可以使得 ∥ D y ∥ \|\bm D\bm y\| Dy最小。

如果你不理解。为什么 y = ( 0 , 0 , ⋯   , 1 ) \bm y=(0,0,\cdots,1) y=(0,0,,1),你可以自己拿一个降序排列的对角矩阵试一下

那么,根据(11)式可知:
x = V y (13) \bm x = \bm V\bm y \tag{13} x=Vy(13)

V \bm V V是矩阵 A \bm A A的SVD分解之后特征向量组成的矩阵,每一个列都是一个特征向量,根据前面得到的 y = ( 0 , 0 , ⋯   , 1 ) \bm y=(0,0,\cdots,1) y=(0,0,,1),那么 x \bm x x就是 V \bm V V的最后一列。

所以,超定方程 A x = 0 \bm A\bm x =0 Ax=0的解,就是对 A \bm A A进行SVD分解之后的最小特征值对应的特征向量。

在求导的方法中,我们得到的是 A T A \bm A^T \bm A ATA最小特征值对应的特征向量,这与SVD分解方法道理是一样的,SVD求 V \bm V V也就是通过 A T A \bm A^T\bm A ATA

2. 非齐次线性方程组 Ax=b

对于
A x = b \bm A \bm x = \bm b Ax=b

依然有多种推导方法,这里我就介绍SVD分解的方法吧!

主要是我懒,不想再推导了,哈哈

有了前面的铺垫,问题就变得简单很多了!

我们的目标是最小化:
arg min ⁡ ∥ A x − b ∥ (14) \argmin \|\bm A\bm x-\bm b\| \tag{14} argminAxb(14)

由于,这里不再存在恒0解,所以就无需加入约束了。

首先对 A \bm A A进行SVD分解,然后带入(14)式,得:
arg min ⁡ ∥ A x − b ∥ = arg min ⁡ ∥ U D V T x − b ∥ (15) \argmin \|\bm A\bm x-\bm b\| =\argmin \|\bm U\bm D\bm V^T\bm x-\bm b\| \tag{15} argminAxb=argminUDVTxb(15)

根据正交矩阵保范性,(15)式可以进一步简化:
arg min ⁡ ∥ U D V T x − b ∥ = arg min ⁡ ∥ D V T x − U T b ∥ (16) \argmin \|\bm U\bm D\bm V^T\bm x-\bm b\|=\argmin\|\bm D \bm V^T\bm x-\bm U^T\bm b\| \tag{16} argminUDVTxb=argminDVTxUTb(16)

y = V T x \bm y=\bm V^T\bm x y=VTx b ′ = U T b \bm b' =\bm U^T\bm b b=UTb,于是(16)式变成了:
arg min ⁡ ∥ D y − b ′ ∥ (17) \argmin\|\bm D\bm y-\bm b'\| \tag{17} argminDyb(17)

矩阵 D \bm D D A \bm A A矩阵SVD分解之后的特征值对应的对角矩阵。

显然 D y \bm D\bm y Dy b ′ \bm b' b越近,那么(17)式就会越小。而离 b ′ \bm b' b最近的向量 D y = ( b 1 ′ , b 2 ′ , ⋯   , b n ′ , 0 , ⋯   , 0 ) T \bm D\bm y=(b'_1,b'_2,\cdots,b'_n, 0,\cdots,0)^T Dy=(b1,b2,,bn,0,,0)T

这里由于特征值组成的对角矩阵,对角线上不一定全部非零,所以只有非零项才会对(17)式的最小值有影响。

于是就可以通过
y i = b i ′ d i , ( i = 1 , ⋯   , n ) y_i=\frac{b'_i}{d_i},(i=1,\cdots,n) yi=dibi,(i=1,,n)

这里 d i , ( 1 , ⋯   , n ) d_i,(1,\cdots,n) di,(1,,n) A A A矩阵SVD分解之后的特征值

这里的 n n n等于矩阵 A \bm A A的秩。

于是就得到了 y \bm y y
y = ( b 1 ′ d 1 , b 2 ′ d 2 , ⋯   , b n ′ d n ) (18) \bm y=(\frac{b'_1}{d_1},\frac{b'_2}{d_2},\cdots,\frac{b'_n}{d_n}) \tag{18} y=(d1b1,d2b2,,dnbn)(18)
则, A x = b \bm A \bm x = \bm b Ax=b的超定解为:
x = V y (19) \bm x = \bm V\bm y \tag{19} x=Vy(19)

3. 参考资料

《Multiple View Geometry in Computer Vision》

评论 12
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值