[骑士文化与武侠文化的比较.pptVIP

展开后有 (6.3.6) 将式（6.3.6）写成向量形式，则 (6.3.7) 由于XXH=I,用XH右乘式（6.3.1），得 (6.3.8) 利用式（6.3.4），不难证明 (6.3.9) 类似的其向量形式为 (6.3.10) 其中04是（M-K)X(M-K)的零矩阵。由于 ,因此，式（6.3.14）就是方阵AHA的特征值分解。式（6.3.14）表明，LXM复数矩阵A的非零奇异值的平方 正是矩阵AHA的非零特征值，而矩阵A的右奇异向量xi是对应的特征向量。 同样道理，由于， 其中，05是（L-K）X（L-K）的零矩阵。于是LXM复数矩阵A的非零奇异值的平方 是矩阵AAH的非零特征值，而矩阵A的左奇异向量yi是对应 的特征向量。 因此， AHA与AAH有相同的非零特征值 当AHA奇异时，最小二乘估计的最小范数解由式（6.3.32）唯一确定。该式同样表明，这个唯一解是A的右奇异向量xi的线性组合。 比较式（6.3.19）和式（6.3.32）不难发现的表达形式本质上是完全一致的。区别在于，当AHA非奇异时，A有M个非零奇异值对应的右奇异向量xi, 所以有M项求和；而当AHA奇异时，A有K个非零奇异值对应的右奇异向量xi， 且KM,所以只有K个求和项。 因此矩阵的奇异值分解为求解确定性正则方程提供了一个统一的途径，即直接计算A的奇异值分解，而不用考虑AHA是否非奇异，得到右奇异向量xi后，再按式（6.3.32）进行线性组合即可得到方程的解，其中求和项数K等于矩阵A的非零奇异值对应的右奇异向量的个数。 算法6.1（基于SVD的LS算法） 步骤1 由N个观测数据u(1),u(2),…，u(N),构造数据矩阵AH，用 d(M),d(M+1),…，d(N)构造向量bH。 步骤2 计算A的奇异值分解，得到K个非零奇异值 ，以及对应 的右奇异向量 步骤3 计算 其中 6.3.4奇异值分解迭代计算简介 给定矩阵A，如何实现高精度奇异值分解，以及对应的右奇异向量与左奇异向量，这是奇异值分解的数值计算问题。在实际工程中，通常需要实时的矩阵A进行奇异值分解，这里简要介绍一种常用的奇异值分解迭代算法——Hestense SVD算法。 根据 由于Y是酉矩阵，于是用Y左乘上式，有 考虑YHY=I,而 是对角矩阵，所以矩阵 (6.3.34) 是MXM的实对角阵。因此矩阵B的列向量相互正交。设 其中 是B的列向量，于是由式（6.3.34）有