信号处理中的奇异值分解.pdf

信号处理中的奇异值分解

学生姓名：

学号：

专业：

指导老师：

学院：

完成日期：

目录

摘要2

第一章奇异值分解的概念3

第二章奇异值分解的步骤：4

第三章信号处理中奇异值分解的应用4

第四章结语6

参考文献：7

1

摘要

奇异值分解(Singularvaluedecomposition，SVD)是一种正交变换，对于任

一个行或列线性相关的矩阵，通过对其左、右分别相乘一个正交矩阵进行变换，可

以将原矩阵转化为一个对角阵，而得到的奇异值个数又反映了原矩阵中独立行(列)

矢量的个数。

奇异值分解是线性代数中一种重要的矩阵分解，在信号处理的很多领域有重要

应用。本文主要介绍的奇异分解的基本理论以及在信号处理上的应用。

关键字：奇异值分解SVD信号处理

2

正文

第一章奇异值分解的概念

奇异值分解(Singularvaluedecomposition，SVD)是一种正交变

换，对于任一个行或列线性相关的矩阵，通过对其左、右分别相乘一个

正交矩阵进行变换，可以将原矩阵转化为一个对角阵，而得到的奇异值

个数又反映了原矩阵中独立行(列)矢量的个数。

奇异值分解是线性代数中一种重要的矩阵分解，在信号处理、统计学等

领域有重要应用。

首先，设A为m*n阶矩阵，nsd特征值的非负平方根叫作A的奇

异值。记为(A)。则HA)^(1/2)。

奇异值分解：

设A为m*n阶复矩阵，则存在m阶酉阵U和n阶酉阵V，使得:

A=U*S*V’

其中S=diag(σi,σ2,……,σr)，σi0(i=1,…,r)，r=rank(A)。

其推论为：

设A为m*n阶实矩阵，则存在m阶正交阵U和n阶正交阵

V，

使得

A=U*S*V’

其中S=diag(σi,σ2,……,σr)，σi0(i=1,…,r)，

r=rank(A)。

我们可以看到奇异值分解非常有用，对于矩阵A(m*n)，存在

U(m*m)，V(n*n)，S(m*n)，满足A=U*S*V’。U和V中分别是A的奇异

3

向量，而S是A的奇异值。AA的正交单位特征向量组成U，特征值组

成SS，AA的正交单位特征向量组成V，特征值（与AA相同）组成

SS。因此，奇异值分解和特征值问题紧密联系。

其次奇异值分解提供了一些关于A的信息，例如非零奇异值的数目

（S的阶数）和A的秩相同，一旦秩r确定，那么U的前r列构成了A

的列向量空间的正交基。关于奇异值分解中当考虑的对象是实矩阵时:

S对角元的平方恰为AA特征值的说明.(对复矩阵类似可得)

第二章奇异值分解的步骤：

1、求AHA或AAH

2、求AHA或AAH的特征值及特征向量x1,x2,...xr，r个特征值

组成

3、U=(x1,x2,...xr)地

4、V1=AU1Δr-1，取V2与其正交，则V=(V1，V2)

奇异值的计算是一个难题，是一个O(N^3)的算法。在单机的情况

下当然是没问题的，matlab在一秒钟内就可以算出1000*1000的矩

阵的所有奇异值，但是当矩阵的规模增长的时候，计算的复杂度呈3次

方增长，就需要并行计算参与了。其实SVD还是可以用并行的方式去

实现的，在解大规模的矩阵的时候，一般使用