matlabsvd提取特征值_Matlab 奇异值、奇异矩阵、svd函数

最新推荐文章于 2021-07-16 21:45:36 发布

weixin_39814369

最新推荐文章于 2021-07-16 21:45:36 发布

阅读量418

点赞数

文章标签： matlabsvd提取特征值

本文链接：https://blog.csdn.net/weixin_39814369/article/details/111847096

版权

本文介绍了奇异值分解SVD在Matlab中的应用，包括矩阵的奇异值、奇异矩阵的定义和判断，以及SVD的数学性质。奇异值分解是线性代数的重要方法，用于矩阵分解、特征值问题和信号处理等领域。Matlab的svd函数可以计算矩阵的奇异值向量，并提供经济型分解选项。SVD在统计学中的主要应用是主成分分析PCA，用于数据降维和模式识别。正交矩阵在SVD中扮演关键角色，其定义和性质也得到了讨论。

摘要由CSDN通过智能技术生成

奇异值：

奇异值分解法是线性代数中一种重要的矩阵分解法，在信号处理、统计学等领域有重要应用。

定义：设A为m*n阶矩阵，A'表示A的转置矩阵，A'*A的n个特征值的非负平方根叫作A的奇异值。记为σi(A)。如果把A‘*A的特征值记为λi(A‘*A)，则σi(A)＝sqrt(λi(A’*A))。

奇异矩阵：

奇异矩阵是线性代数的概念，就是对应的行列式等于0的矩阵。

奇异矩阵的判断方法：首先，看这个矩阵是不是方阵(即行数和列数相等的矩阵。若行数和列数不相等，那就谈不上奇异矩阵和非奇异矩阵)。然后，再看此方阵的行列式|A|是否等于0，若等于0，称矩阵A为奇异矩阵；若不等于0，称矩阵A为非奇异矩阵。同时，由|A|≠0可知矩阵A可逆，这样可以得出另外一个重要结论:可逆矩阵就是非奇异矩阵，非奇异矩阵也是可逆矩阵。如果A为奇异矩阵，则AX=0有非零解或无解。如果A为非奇异矩阵，则AX=0有且只有唯一零解。

svd设A为m*n阶矩阵，A'表示A的转置矩阵，A'*A的n个特征值的非负平方根叫作A的奇异值。记为σi(A)。

奇异值分解：

奇异值分解非常有用，对于矩阵A(m*n)，存在U(m*m)，V(n*n)，S(m*n)，满足A = U*S*V’。U和V中分别是A的奇异向量，而S是A的奇异值。AA'的正交单位特征向量组成U，特征值组成S'S，A'A的正交单位特征向量组成V，特征值(与AA'相同)组成SS'。因此