矩阵的奇异值分解
来源:互联网 发布:阿里云没有安装yum 编辑:程序博客网 时间:2024/06/10 01:21
矩阵的奇异值分解证明过程中会用到五个定理,先作为补充知识展示这五个定理:
定理一:A是对称矩阵,则不同特征值对应的特征向量是正交的。
证明:设,是矩阵A的特征向量,且,,为,对应的特征向量,即:
,
则
,
因为A是对称矩阵,则
所以,
则:
因为
,
所以:
,
即:和是正交的。证毕
————————————————————————————————————————————————————————————————————————————
定理二:矩阵和它的转置具有相同的特征值
证明:因为:
,
即和有相同的特征多项式,所以有相同的特征值。
————————————————————————————————————————————————————————————————————————————
定理三:半正定矩阵的特征值均大于等于零
证明:这是半正定矩阵的定义
————————————————————————————————————————————————————————————————————————————
定理四:若满足,则称是单位正交矩阵
单位正交矩阵有如下的性质:。
————————————————————————————————————————————————————————————————————————————
定理五:若矩阵的秩为r,则和秩均为r。
————————————————————————————————————————————————————————————————————————————
补充完以上五个定理,我们正式开始矩阵的奇异值分解的证明。
设矩阵,矩阵的秩为,且,则矩阵可以分解为如下形式:
,
也可表示为:
证明:无非就是寻找。
显然,,且这两个矩阵均是半正定矩阵,且互为转置,且根据定理五,这两个矩阵的秩均为。根据定理二和定理三,这两个矩阵的特征值是相同的,且均大于等于零。我们只用大于零的特征值。设(我们按从大到小排序即:)是它们的不为零的特征值,且对于矩阵对应的单位特征向量为(),对于矩阵对应的单位特征向量为(),即
,。
其实和存在一定的关系,下面就找出这种关系。
因为
,
所以,是的特征向量,又因为也是的特征向量,所以,
,
又因为
,
所以:
。
则:
,
所以,
,
那么
下面证明
,
其中代表单位矩阵。
因为是对称矩阵的不同特征值对应的特征向量,根据定理一,我们得出他们是相互正交的,又因为
,
然后,然后根据定理四,我们便得到
所以:
。
证毕。
注:奇异值分解在自然语言处理和推荐系统中有广泛应用,例子我就不敲了,网上很多。矩阵怎么分解都知道了,那它的应用,我想也不是问题。
- 矩阵的奇异值分解
- 矩阵的奇异值分解
- 矩阵的奇异值分解
- 矩阵奇异值分解
- 矩阵的奇异值分解过程
- 矩阵的“特征值分解”和“奇异值分解”区别
- 矩阵的“特征值分解”和“奇异值分解”区别
- 奇异值分解(SVD)和图像矩阵的分解测试
- svd矩阵奇异值分解
- SVD矩阵奇异值分解
- 矩阵特征值,奇异值分解
- 矩阵奇异值分解(SVD)
- 矩阵论01—矩阵的奇异值分解
- 矩阵分解之奇异值分解
- 奇异值、奇异矩阵、SVD分解、正交矩阵定义解释
- 奇异值、奇异矩阵、SVD分解、正交矩阵
- 奇异值、奇异矩阵、SVD分解、正交矩阵定义解释
- 奇异值、奇异矩阵、SVD分解、正交矩阵(转载)
- lwip源码分析-内存管理模块
- 设计模式定义
- ios ALAsset 通过CGImageWithOptions: 压缩照片技术
- undefined reference问题总结
- 黑马程序员---抽象类
- 矩阵的奇异值分解
- Openstack Cinder入门初探
- centos配置nginx + push module模块
- Linux s位设置
- C++中unique函数的作用
- Android-06-项目目录结构
- 电脑网页显示不正常
- Javascript字符串对象的常用方法简明版
- qmake的使用