印 数值-第2章 补充内容：SVD.docVIP

第二章补充材料 奇异值分解(SVD) 矩阵的奇异值分解是计算矩阵的重要手段，在控制理论、优化问题、广义逆矩阵等方面有着重要应用。 定义1 设，的特征值为，称 为矩阵的奇异值。 由知，的正奇异值的个数恰等于。 定理1 设的奇异值为 则存在阶正交矩阵和阶正交矩阵，使 其中。 Matlab: [U,S,V] = svd(A) SVD有着重要的应用。 （1） SVD很好地刻画了矩阵的几何特征。 定理2 设的SVD由式给出，的列向量记为，的列向量记为，则 （1） （2） （3） （2）利用SVD可方便地求矩阵的广义逆和最小二乘问题。 定理3 的最小范数最小二乘解（最小二乘解中2-范数最小的）为 这里 称为的广义逆矩阵。 Matlab: B = pinv(A) （3）SVD又可表明一个给定矩阵与秩低的矩阵之靠近程度。 定理 设SVD由式给出，如果 则 表示一张图像，取的前个较大的奇异值构造 则就是的一个很好的逼近。从而起到图像压缩的作用。 数值实验（小丑的图像压缩） load clown.mat figure(1) colormap(gray) image(X) [U,S,V]=svd(X); k=20; A=U(:,1:k)*S(1:k,1:k)*V(:,1:k); figure(2) colormap(gray) image(A) （4）利用SVD可计算矩阵的数值秩。 矩阵的秩在理论上是有精确定义的，但在舍入误差就变得模糊不清了。数值地确定矩阵的秩是一个重要而又困难的问题。对于一个给定的矩阵，完全可以认为它是某个矩阵经过误差不超过的扰动后的结果。于是，在所有可能的候选中，确定一个具有最小秩的，它便成为的一个最坏亏损的原始矩阵。定义 称为的。 矩阵的数值秩的充分必要条件是 Matlab: r = rank(A) 或 r = rank(A,delta) （见matlab帮助）