矩阵的“特征值分解”和“奇异值分解”区别

转载（http://blog.163.com/to_be_myself/blog/static/176060227201101253441822/ ）

       特征值分解处理相关矩阵，奇异值分解处理数据矩阵，两者结果相同，特征值分解可以采用K-L变换，奇异值分解可以借助于svd 。svd可以用于求矩阵的伪逆，也可以用来实现降维，K-L变换可以用在信号编码和数据压缩领域

关于奇异值分解的有用链接：

http://www.uwlax.edu/faculty/will/svd/index.html

http://www.uwlax.edu/faculty/will/svd3/index.html

        在信号处理中经常碰到观测值的自相关矩阵，从物理意义上说，如果该观测值是由几个（如 K个）相互统计独立的源信号线性混合而成，则该相关矩阵的 秩 或称 维数 就为K，由这 K 个统计独立信号构成 K 维的线性空间，可由自相关矩阵最大 K 个特征值所对应的特征向量或观测值矩阵最大 K个奇异值所对应的左奇异向量展成的子空间表示，通常称 信号子空间 ，它的补空间称 噪声子空间 ，两类子空间相互正交。理论上，由于噪声的存在，自相关矩阵是正定的，但实际应用时，由于样本数量有限，可能发生奇异，矩阵条件数无穷大，造成数值不稳定，并且 自相关矩阵特征值 是观测值矩阵 奇异值 的 平方 ，数值动态范围大，因而 子空间分析 时常采用观测值矩阵 奇异值分解 ，当然奇异值分解也可对奇异的自相关矩阵进行。在自相关矩阵正定时， 特征值分解 是 奇异值分解 的 特例 ，且实现时相对简单些，实际中，常采用对角加载法保证自相关矩阵正定，对各特征子空间没有影响。在信号处理领域，两者都用于信号的特征分析，但两者的 主要区别 在于：奇异植分解主要用于 数据矩阵 ，而特征植分解主要用于 方型的相关矩阵。