SVD矩阵的奇异值分解28.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