马晖《线性代数教学》lecture3.pdfVIP

3 § 奇异值分解 3.1 引言 对角阵是我们最喜爱的一类矩阵. n阶矩阵A相似于对角阵 A存在n个线性无关的特征向量. 实对称矩阵正交相似于对角阵 3.1 引言 : ? 问题 如何 “对角化 ” 矩阵 3.2 奇异值分解(Singular Value Decomposition) 设A是一个 矩阵, 则存在m阶正交矩阵U和n阶正交矩阵V, 满足 其中r = rankA. 习惯上,设 称 为奇异 值(singular value). 称U和V 的前r列向量为奇异向量(singular vector). 这个分解为奇异值分解, 简称SVD. 3.2 奇异值分解(Singular Value Decomposition) 令 SVD 3.2 奇异值分解(Singular Value Decomposition) 设A是秩为r 的 实矩阵,则 为m阶实对称矩阵, 为n阶实 对称矩阵. (1) 与 的特征值为非负数. 证明: 设 则 即 故 同理 的特征值也全是非负数. 3.2 奇异值分解(Singular Value Decomposition) (2) 与 的非零特征值集合相同. 证明: 因为 故 设 是 的非零特征值. 即 使得 则有 故 也是 的非零特征值. 反之亦然. 因此, 与 具有相同的非零特征值. 3.2 奇异值分解(Singular Value Decomposition) 不妨设 和 的这r个非零特征值为 其中 (3) 设 为n阶实对称方阵 的单位正交特征向量, 记 则 3.2 奇异值分解(Singular Value Decomposition) 注意到 故 即 令 则 并且 故 是 的单位正交特征向量. 3.2 奇异值分解(Singular Value Decomposition) 又 故 为 的一组单位正交基 为 的一组单位正交基. 3.2 奇异值分解(Singular Value Decomposition) 记为 回顾 扩充 为 的一组基 扩充 为 的一组基 3.2 奇异值分解(Singular Value Decomposition) 即 , 其中 3.3 例题 例: 求矩阵 的奇异值分解. 解: 因 故 的特征多项式为 3.3 例题 因此 的特征值为