本质矩阵svd分解_一直听说SVD【奇异值分解（Singular Value Decomposition）】，你能为我简单地解释一下吗？...

一直听说SVD，你能为我简单地解释一下吗？没问题！ 我对你很快就问到这个问题一点也不感到吃惊。SVD，奇异值分解，可能是线性代数中最重要的方法之一，今天我们还在用它解决许多结构动力学问题。首先我们描述一下SVD的数学表达式和它的一些变量，然后描述实验模态分析通常在哪些地方需要用到它。当然，我仅试图解释SVD的应用，并不是要给出一个详细的数学推导过程。首先，我们必须知道到我们需要用矩阵进行相关处理(我知道当我说用矩阵处理时，你会浑身发抖，但是我之前已说过“矩阵是你的朋友！”)。因此，假设我们有一个n×n的方阵 [A]，SVD的基本方程为 这个公式看起来相当简单，让我们展开其中一些项，以表明SVD强大的功能 上式的展开形式为 这让人难以置信，因为这意味着矩阵A是由一组向量和描述这个矩阵的奇异值所组成。我们也可以说其他矩阵组成了矩阵A的分块矩阵，这些组成分块矩阵的矩阵可以非常简单地用一个向量和其相应的特征值来描述。所以SVD确实具有确定组成矩阵“主分量”的能力，这也暗示着可以确定矩阵的秩。因此，让我们列举几个简单的实数矩阵说明其含义。考虑一个带特征值的简单向量，说明基本的SVD方程。定义一个带奇异值的向量为 因此，矩阵A可以通过简单的矩阵乘法  得到，其形式为 该个矩阵相当简洁，因为我用一个向量形成了一个矩阵。矩阵是大小为3×3的矩阵，但是能告诉我该矩阵的秩是多少吗？如果考察不同的行，那么可以迅速看出第二行和第三行与第一行线性相关。这表明虽然这个矩阵是3×3的矩阵，但是只有一行是线性无关的，用于组成该矩阵(当然，这是对的，因为我只用了一个向量生成该矩阵)。那么我们就可以说这个矩阵的秩是1，因为组成矩阵的各行，只有一行是线性无关的。现在考虑另一个带特征值的简单向量 因此，矩阵A可以通过矩阵乘法得到，其形式为 我可以再次得出与前一个讨论的矩阵相同的结论。这个矩阵的秩也是1，因为组成矩阵的各行，只有一行是线性无关的。现在考虑一个一般性的矩阵 这个矩阵是个3×3的矩阵，但是不能直观地看出其秩是多少。确定秩的最简单方法是对矩阵进行SVD。相应的分解式为 所以SVD的好处就是我可以用矩阵A的线性无关部分来表示矩阵A。其和的形式为 我想这有助于解释SVD的基本原理。但是现在我需要讨论它的一些应用，通常在什么地方应用SVD(SVD应用非常广泛，但是只有少数特定的几项与实验模态测试有关)。SVD的应用之一是用于实验模态测试采集MIMO数据。虽然数据采集系统为所有线性无关的MIMO激振器产生激励函数，但是现实中每个激振器的激励力可能不完全是线性无关的，因为激振器与结构之间存在相互作用。因此需要检查力谱矩阵的线性无关性。在采集MIMO数据过程中，用激振器的输入功率谱Gxx 矩阵进行主分量分析。这种技术使用SVD分解矩阵Gxx，然后为每一个输入在频率轴上绘出奇异值图。如果所有的激振器都是线性无关的，那么每个线性无关的输入在所有频率成分处的奇异值都很显著，如图1所示。 图1 2个MIMO激振器的SVD另一个应用用于模态参数估计。通过SVD分解一些不同参考点的FRF矩阵，以便确定系统的根(或者模态)。SVD分解是复模态指示函数(CMIF)模态参数估计方法的基础。通过CMIF的SVD分解得到的曲线图中的奇异值极值将指明系统模态位于何处。图2为一个具有重根的系统的SVD分解后的典型CMIF曲线图。 图2虽然SVD还有许多其他的应用，但我希望这几个实例有助于帮助你更好地理解这种技术。如果你还有模态分析其他问题，请咨询我。注：翻译自Peter Avitabile《Modal Space - In Our Own Little World》

觉得不错，请点赞！END