Matlab和python的svd函数简介

前言

Matlab和python的svd函数简介。

Matlab svd函数

Matlab的svd函数用来求奇异值分解，共有三种调用形式：

• [U,S,V] = svd(A)
• [U,S,V] = svd(A,‘econ’)
• [U,S,V] = svd(A,0)

看一下函数说明：
[U,S,V] = svd(A)奇异值分解出U,S,V， A = U * S * V’。

[U,S,V] = svd(A,‘econ’)进行的是节省内存的奇异值分解。对一个m行n列的矩阵A：
m > n — 只有前n列的U被计算，S是n阶方阵。
m = n — svd(A,‘econ’)和svd(A)结果相同。
m < n — 只有前m列的V被计算，S是m阶方阵。

[U,S,V] = svd(A,0) 也是一种节省内存的奇异值分解。区别在于：
m > n — svd(A,0)和svd(A,‘econ’)结果相同。
m <= n — svd(A,0)和svd(A)结果相同。

下面来看几个例子：
1. m > n时，svd(A)是完整的奇异值分解：

A = [1 2; 3 4; 5 6; 7 8]

 A = 
       1     2
       3     4
       5     6
       7     8

[U,S,V] = svd(A)

 U = 
       -0.1525   -0.8226   -0.3945   -0.3800
	   -0.3499   -0.4214    0.2428    0.8007
       -0.5474   -0.0201    0.6979   -0.4614
       -0.7448    0.3812   -0.5462    0.0407
       
 S = 
       14.2691         0
             0    0.6268
             0         0
             0         0
             
 V = 
       -0.6414    0.7672
       -0.7672   -0.6414

svd(A,0)和svd(A,‘econ’)结果相同，是节省内存的奇异值分解，只有前n列的U被计算，S是n阶方阵：

[U,S,V] = svd(A,0) 或 [U,S,V] = svd(A,‘econ’)

 U = 
       -0.1525   -0.8226
       -0.3499   -0.4214
       -0.5474   -0.0201
       -0.7448    0.3812
       
 S = 
       14.2691         0
             0    0.6268
             
 V = 
       -0.6414    0.7672
       -0.7672   -0.6414

2. m = n时，三种形式结果完全相同：

A = [1 2; 3 4]

 A =
       1     2
       3     4

[U,S,V] = svd(A) 或 [U,S,V] = svd(A,0) 或 [U,S,V] = svd(A,‘econ’)

 U = 
       -0.4046   -0.9145
       -0.9145    0.4046
       
 S = 
       5.4650         0
            0    0.3660
             
 V = 
       -0.5760    0.8174
       -0.8174   -0.5760

3. m < n时，svd(A,0)和svd(A)结果相同：

A = [1 3 5 7; 2 4 6 8]

 A =
       1     3     5     7
       2     4     6     8

[U,S,V] = svd(A) 或 [U,S,V] = svd(A,0)

 U =
       -0.6414   -0.7672
       -0.7672    0.6414

 S =
       14.2691         0         0         0
             0    0.6268         0         0
             
 V =
       -0.1525    0.8226   -0.3945   -0.3800
       -0.3499    0.4214    0.2428    0.8007
       -0.5474    0.0201    0.6979   -0.4614
       -0.7448   -0.3812   -0.5462    0.0407

svd(A,‘econ’)是节省内存的奇异值分解，只有前m列的V被计算，S是m阶方阵。

[U,S,V] = svd(A,‘econ’)

 U =
       -0.6414   -0.7672
       -0.7672    0.6414

 S =
       14.2691         0
             0    0.6268

 V =
       -0.1525    0.8226
       -0.3499    0.4214
       -0.5474    0.0201
       -0.7448   -0.3812

总结一下，就是
m > n时，svd(A)是完整的奇异值分解，svd(A,0)和svd(A,‘econ’)是节省内存的奇异值分解。
m = n时，svd(A)，svd(A,0)和svd(A,‘econ’)结果相同。
m < n时，svd(A)和svd(A,0)是完整的奇异值分解，svd(A,‘econ’)是节省内存的奇异值分解。

python svd函数

python奇异值分解可以通过numpy.linalg.svd或scipy.linalg.svd调用实现。
通过设置svd()的第二个参数full_matrices=0，进行节省内存的奇异值分解。

import numpy as np
from scipy import linalg

A = np.array([[1,2],[3,4],[5,6],[7,8]])
print(A)
U,S,V = linalg.svd(A)
print(U,S,V)
U,S,V = linalg.svd(A, 0)
print(U,S,V)

A = np.array([[1,2],[3,4]])
print(A)
U,S,V = linalg.svd(A)
print(U,S,V)
U,S,V = linalg.svd(A, 0)
print(U,S,V)

A = np.array([[1,3,5,7],[2,4,6,8]])
print(A)
U,S,V = linalg.svd(A)
print(U,S,V)
U,S,V = linalg.svd(A, 0)
print(U,S,V)

运行以上代码结果发现，linalg.svd()的右奇异向量V对比Matlab是经过转置的，其余结果相同。