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。。。。。。)
矩阵的奇异值(SVD)分解及其简单应用
最新推荐文章于 2024-07-16 17:31:06 发布