奇异值分解
来源:互联网 发布:淘宝如何制作详情页 编辑:程序博客网 时间:2024/06/10 00:21
奇异值分解是线性代数中一种重要的矩阵分解,在信号处理、统计学等领域有重要应用。
定义:设A为m*n阶矩阵,AHA的n个特征值的非负平方根叫作A的奇异值。记为σi(A)。
定义:设A为m*n阶矩阵,AHA的n个特征值的非负平方根叫作A的奇异值。记为σi(A)。
如果把AHA的特征值记为λi(A),则σi(A)=λi(AHA)^(1/2)。
定理:(奇异值分解)设A为m*n阶复矩阵,则存在m阶酉阵U和n阶酉阵V,使得:
A = U*S*V’
其中S=diag(σi,σ2,……,σr),σi>0 (i=1,…,r),r=rank(A)。
推论:设A为m*n阶实矩阵,则存在m阶正交阵U和n阶正交阵V,使得
A = U*S*V’
其中S=diag(σi,σ2,……,σr),σi>0 (i=1,…,r),r=rank(A)。
说明:
1、 奇异值分解非常有用,对于矩阵A(m*n),存在U(m*m),V(n*n),S(m*n),满足A = U*S*V’。U和V中分别是A的奇异向量,而S是A的奇异值。AA'的正交单位特征向量组成U,特征值组成S'S,A'A的正交单位特征向量组成V,特征值(与AA'相同)组成SS'。因此,奇异值分解和特征值问题紧密联系。
2、 奇异值分解提供了一些关于A的信息,例如非零奇异值的数目(S的阶数)和A的秩相同,一旦秩r确定,那么U的前r列构成了A的列向量空间的正交基。
关于奇异值分解中当考虑的对象是实矩阵时: S对角元的平方恰为A'A特征值的说明. (对复矩阵类似可得)
从上面我们知道矩阵的奇异值分解为: A=USV, 其中U,V是正交阵(所谓B为正交阵是指B'=B-1, 即B'B=I), S为对角阵.
A'A=V'S'U'USV=V'S'SV=V-1S2V
上式中, 一方面因为S是对角阵, S'S=S2, 且S2对角元就是S的对角元的平方. 另一方面注意到A'A是相似与S2的, 因此与S2有相同特征值.
从上面我们知道矩阵的奇异值分解为: A=USV, 其中U,V是正交阵(所谓B为正交阵是指B'=B-1, 即B'B=I), S为对角阵.
A'A=V'S'U'USV=V'S'SV=V-1S2V
上式中, 一方面因为S是对角阵, S'S=S2, 且S2对角元就是S的对角元的平方. 另一方面注意到A'A是相似与S2的, 因此与S2有相同特征值.
注:下面的符号和上面的有差异,注意区分
SVD步骤:
1、求AHA或AAH
2、求AHA或AAH的特征值及特征向量x1,x2,...xr, r个特征值组成
3、 U=(x1,x2,...xr)地
4、V1=AU1Δr-1,取V2与其正交,则V=(V1,V2)
则
- 奇异值分解
- 奇异值分解
- 矩阵奇异值分解
- 奇异值分解
- 奇异值分解
- SVD奇异值分解
- 奇异值分解
- 奇异值分解
- SVD奇异值分解
- 奇异值分解
- [转帖]奇异值分解
- 奇异值分解
- 奇异值分解
- 奇异值分解
- SVD奇异值分解
- SVD奇异值分解
- 奇异值分解(SVD)
- SVD奇异值分解
- C# 查看access数据库的各种信息,表,列,行等信息
- QTP报错Cannot create Snapshot
- 如何把数据库表中的数据导成Inset语句
- 基于J2EE的论坛系统 JuteForum
- 共享一个ASP无组件折线图源码!强
- 奇异值分解
- 如何删除windows服务
- 基于Spring+hibernate+mysql的cms系统Jute Cms
- XML中的XPath介绍
- 半梦半醒之间
- C#通过动态页面生成静态页面
- python模块之codecs: 自然语言编码转换
- 关于用adoquery添加查找项的总结
- 很久没有上来了,上来踩一下