此博客停止更新,迁移至SnailDove’s blog,查看本文请点击此处,清华大学线性代数2笔记汇总:线性代数总结
笔记源自:清华大学公开课:线性代数2——第6讲:伪逆
**提示:**如果文中图片看不清文字,请右键单击鼠标,选择在新窗口打开图片,然后放大图片(这边上传之前都是可以看清的,由于网页正文部分大小固定,因此图片被自动缩小以便适配网页),截图部分是课堂ppt老师随手的板书。
引言
本文基础:SVD分解原理
矩阵的奇异值分解可以理解成从 R n R^n Rn到 R m R^m Rm的线性变换在不同基底下矩阵表示,接下来利用矩阵的奇异值分解
来定义矩阵的伪逆,然后再利用矩阵的伪逆来讨论线性方程组Ax=b无解时的最小二乘解,线性代数的中心问题是
求解线性方程组 A x = b Ax=b Ax=b,最简单的情况是如果系数矩阵A是n阶的可逆矩阵,那么这时对于任意的n维向量 b b b,线性方程组 A x = b Ax=b Ax=b有唯一的解,这个解是 A − 1 b A^{-1} b A−1b,那这就启发去对于不可逆的矩阵或者是对于 A m × n A_{m\times n} Am×n的矩阵,我们来定义它的一个逆矩阵,那么这时候逆矩阵我们叫做伪逆或者是叫广义逆 。
##定义
伪逆的定义来自于奇异值分解:
(1)若 A A A可逆,即 r = m = n r=m=n r=m=n,则: A − 1 = ( U Σ V T ) − 1 = V Σ − 1 U T = A + A^{-1}=(U\Sigma V^T)^{-1}=V\Sigma^{-1}U^T=A^+ A−1=(UΣVT)−1=VΣ−1UT=A+,注意:由奇异值分解公式 A V = U Σ , ( v 1   . . .   v r ) ∈ C ( A T ) , ( v r + 1   . . .   v n ) ∈ N ( A ) , ( u 1   . . .   u r ) ∈ C ( A ) , ( u r + 1   . . .   u m ) ∈ N ( A T ) AV=U\Sigma,\ (v_1\,...\,v_r)\in C(A^T),\ (v_{r+1}\,...\,v_n)\in N(A),\ (u_1\,...\,u_r)\in C(A),\ (u_{r+1}\,...\,u_m)\in N(A^T) AV=UΣ, (v1...vr)∈C(AT), (vr+1...vn)∈N(A), (u1...ur)∈C(A), (ur+1...um)∈N(AT) 得: A V = U Σ : C ( A T ) → C ( A ) AV=U\Sigma: C(A^T)\rightarrow C(A) AV=UΣ:C(AT)→C(A),同理可得: A + U T = V Σ + : C ( A ) → C ( A T ) A^+U^T=V\Sigma^{+}:C(A)\rightarrow C(A^T) A+UT=VΣ+:C(A)→C(AT)
(2) A A + = ( U Σ m × n V T ) ( V Σ n × m + U T ) = U Σ m × n Σ n × m + U T = U ( I r 0 0 0 ) m × m U T AA^+=(U\Sigma_{m\times n} V^T)(V\Sigma^+_{n\times m}U^T)=U\Sigma_{m\times n}\Sigma^+_{n\times m}U^T=U\begin{pmatrix}I_r&0\\0&0\end{pmatrix}_{m\times m}U^T AA+=(UΣm×nVT)(VΣn×m+UT)=UΣm×nΣn×m+UT=U(Ir000)m×mUT 得出以下3个性质:
- 对称性: ( A A + ) T = A A + (AA^+)^T=AA^+ (AA+)T=AA+
- A A + = u 1 u 1 T +   . . .   + u r u r T , U = ( u 1 ,   . . .   u r ,   u r + 1   . . .   , u n ) AA^+=u_1u_1^T+\,...\,+u_ru_r^T, U=(u_1,\,...\,u_r,\,u_{r+1}\,...\,,u_n) AA+=u1u1T+...+ururT,U=(u1,