矩阵的奇异值(SVD)分解及其简单应用

矩阵的奇异值(SVD)分解及其简单应用：
矩阵分解的用途非常广泛，比较常用的有接下来主要讲到的奇异值分解 (Singular Value Decomposition 以下简称 SVD分解)，Schur分解，特征值分解(对于可对角化矩阵而言)，Jordan分解(对于不可对角化矩阵而言)等等。矩阵分解的目的很明确，一方面是为了“打开”矩阵，使得矩阵的信息更加一目了然，比如将一个矩阵进行SVD分解后我们就能知道了矩阵的秩，范数(2-范数，F-范数等等)和矩阵条件数等等；另一方面是为了方便对矩阵进行计算，比如解线性方程组，线性最小二乘问题等等。接下来我们仔细讲解矩阵的SVD分解。














*~~~~~关于矩阵奇异值分解的理论非常丰富，考虑到受众大小，和本人水平有限，就先写到这儿吧。
时间仓促，本人水平有限，难免有不准确之处，望读者批评指正*
（该文章是本人写在 知乎上的，截图到了CSDN上。。。。。。）