矩阵的奇异值(singular value decompostion, SVD)在最优化问题、特征值问题、最小二乘方问题、广义逆矩阵问题及统计学方面都有重要的应用。本人在研究生物基因组规模的代谢网络和图像识别的相关算法时,都大量的涉及了这一方面的内容,因此开始对此进行初步的理解和研究。我们从基础的概念开始,逐渐深入。
1 奇异矩阵
对于一个方阵A,如果行列式|A|=0,则A是奇异矩阵;如果|A| !=0, 则是非奇异矩阵。
已知 |A| !=0 -> A可逆, 所以可逆矩阵是非奇异矩阵;
如果A是奇异矩阵,则 AX=0 有无穷多个解,AX=b有无穷多个解或者无解;(why?)
如果A是非奇异矩阵,则AX=0有零解,AX=b有唯一解。
A(n×n) is a singular matrix <=> Rank(A)<n;
A(n×n) is a non-singular matrix <=> Rank(A)=n.
2 正交矩阵:如果实方阵Q满足 QTQ = I,或Q-1 = QT则称Q为正交矩阵。
容易证明,正交矩阵的列向量是两两正交的单位向量。
推论:1 正交向量是非奇异的。
证明:det(QTQ)= detQT×detQ = (detQ)2 = 1 ≠ 0
所以|Q| ≠0
2 正交矩阵的逆矩阵仍然是正交矩阵。
证明