算法-SVD奇异值分解

Eigen::MatrixXd UKF::pdefinite_svd(const Eigen::MatrixXd& m) {

    Eigen::JacobiSVD<Eigen::MatrixXd> USV(m, Eigen::ComputeFullU | Eigen::ComputeFullV);
    Eigen::VectorXd s = USV.singularValues();
    int n = USV.matrixU().rows(), p = USV.matrixV().rows();
    Eigen::MatrixXd S = Eigen::MatrixXd::Zero(n, p);
    for (int i = 0; i < s.size(); ++i) {
        if (s(i) < 0)
            S(i, i) = 1e-10;
        else
            S(i, i) = s(i);
    }

    return USV.matrixU() * S * USV.matrixV().transpose();
}

以上代码的解释如下：

奇异值分解（Singular Value Decomposition, SVD）是线性代数中一种重要的矩阵分解方法，它将一个矩阵分解为三个特定矩阵的乘积。以下是奇异值分解的详细步骤：
奇异值分解步骤
计算矩阵乘积
计算给定矩阵A的转置AT与A的乘积，即ATA，以及A与AT的乘积，即AAT。这两个乘积都是对称矩阵。
求解特征值和特征向量
对ATA求解特征值和特征向量。特征值按降序排列，这些特征值的平方根即为矩阵A的奇异值。特征向量则用于构造矩阵V（或VT，取决于定义）。
同样地，对AAT求解特征值和特征向量。这些特征向量用于构造矩阵U。
构造奇异值矩阵Σ
奇异值矩阵Σ是一个对角矩阵，其对角线上的元素是ATA特征值的平方根（即奇异值），且按降序排列。
构造正交矩阵U和V（或V^T）
使用AAT的特征向量构造矩阵U。这些特征向量是U的列向量，并且需要单位化（即每个向量的模长为1）。
使用ATA的特征向量构造矩阵V（或VT，取决于SVD的具体定义）。这些特征向量是V（或VT）的列向量，并且也需要单位化。
完成SVD分解
最终，矩阵A被分解为A=UΣVT（或A=UΣV，取决于V的转置）。这个分解揭示了矩阵A在不同维度上的“能量”或“强度”，并且可以用于多种应用，如数据压缩、噪声过滤、降维等。