SVD矩阵的奇异值分解.pptVIP

称上式为矩阵A的奇异值分解. 在矩阵理论中，奇异值分解实际上是“对称矩阵正交相似于对角矩阵”的推广. 奇异值分解中 是 的特征向量，而 的列向量是 的特征向量，并且 与 的非零特征值完全相同. 但矩阵 的奇异值分解不惟一. 注意 数值秩 在没有误差时，奇异值分解可以确定矩阵的秩. 但是误差的存在使得确定变得非常困难. 例如，考虑矩阵 因为第三列是前两列的 和，所以 A 的秩是2. 如果不考虑到这个关系， 运用IEEE标准的双精度浮点计算模式， 用MATLAB命令SVD计算A 的奇异值： format long e A=[1/3,1/3,2/3;2/3,2/3,4/3;1/3,2/3,1;2/5,1/5,3/5;3/7,1/7,4/7]； D= svd(A) 计算结果为： D = 2.421457493421318e+000 3.406534035359026e-001 1.875146052457622e-016 因为有“三”个非零奇异值，所以A的秩 为“3”. 然而，注意到在IEEE双精度的标准下, 其中一个奇异值是微小的. 也许应该将它看作 零.因为这个原因，引人数值秩的概念. 如果矩阵 有 个“大”的奇异值，而其它都很“微小”，则称 的数值秩为 . 为了确定哪个奇异值是“微小”的，需要引人阈值或容忍度 .就MATLAB而言，可以把 设为阈值，大于这个阈值的奇异值的数目就是 A的数值秩，把小于这个阈值的奇异值看作零. 利用MATLAB的命令rank计算 的秩，它的结果是2，就是这个道理. 求矩阵 的奇异值分解 解:MATLAB程序为： A=[0,-1.6,0.6;0 ,1.2,0.8;0,0,0;0,0,0] [U,S,V]=svd(A) 计算结果 A = 0 -1.6000 0.6000 0 1.2000 0.8000 0 0 0 0 0 0 U = 0.8000 0.6000 0 0 -0.6000 0.8000 0 0 0 0 1.0000 0 0 0 0 1.0000 S = 2.0000 0 0 0 1.0000 0 0 0 0 0 0 0 V = 0 0 1.0000 -1.0000 0.0000 0 0.0000 1.0000 0 奇异值分解的几何意义 研究将一个空间映射到不同空间，特别是 不同维数的空间时，例如超定或欠定方程组所 表示的情况，就需要用矩阵的奇异值来描述算 子对空间的作用了. 考察二维平面上的单位圆 在映射A下的变换过程,其中 MATLAB程序为： A=[sqrt(3)\sqrt(2),sqrt(3)\sqrt(2);-3\sqrt(2),3\sqrt(2); 1\sqrt(2),1\sqrt(2)] [U,S,V]=svd(A) V是正交矩阵，表示二维空间的一个旋转 S 将平面上的圆变换到三 维空间坐标平面上的椭 圆 V是正交矩阵，表示二维空间的一个旋转 S 维 将 空 平 间 面 坐 上 标 的 平 圆 面 变 上 换 的 到 椭 三 圆 U是正交矩阵，表示三维空间的一个旋转 当A是方阵时，其奇异值的几何意义是: 若x是 维单位球面上的一点，则 是一个 维 椭球面上的点，其