matlab中svd和eig的区别

svd和eig的区别

1.eig-特征值分解

1.1回顾特征值

$Ax=\lambda x$
注： $\sum$ 为特征值组成的对角阵
$W$为特征向量组成的矩阵
则有：
$AW=W\sum$
所以
$A=W\sum W^{-1}$

1.2matlab中eig应用

1. $[w,s,v]=eig(X)$
   w-右特征矩阵；
   s-特征值；
   v-左特征向量；
   $X\ast w=w\ast s$
   $v^{\prime }\ast X=s\ast v^{\prime }$
   其中特征值从小到大排序
2. $[V,D]=eig(A,B)$
   $A\ast V=B\ast V\ast D$

2.svd-奇异值分解

当被处理的矩阵不是方阵时，就不能用特征值分解方法，就可以考虑奇异值分解。

2.1介绍奇异值分解

$X是（m\ast n）矩阵$

1. 对$X^{T}X（n\ast n）$进行特征值分解,得到特征向量矩阵，记做$V$，是右奇异矩阵；
2. 对$X{X}^T（m\ast m）$进行特征值分解,得到特征向量矩阵，记做$U$，是左奇异矩阵；
3. $[U,S,V]=$ svd$(X)$
   其中S是从大到小，组成对角阵
4. 那么只剩下奇异值矩阵$S（m\ast n）$没有求解
   实际上奇异值${\sigma }_i=\sqrt{{\lambda }_i^2}$
   所以可以求$X^{T}X$求特征值，然后开根号
5. $X=US{V}^T$

注： 考虑到奇异值从大到小和特征值从小到大，考虑实际求取的特征值对应的特征向量可以是成比例的，不一定是一样的，所以
$①[u,s_2]=eig(A\ast A^{\prime }）$
$②[u_1,s_1,v_1]=svd(A)$
$③[v,s_3]=eig(A^{\prime }\ast A)$
其中奇异值$s_1$是对应的$s_2和s_3$的根号倍；
$u$ 对应的 $u_1$，$v$ 对应的 $v_1$的也不完全相同，要注意理解。