SVD总结

标签：

1.概述

　　我们先从实数域R开始说起，再延伸到复数域C上去，先列出一个表格，把实数域以及复数域中常见的矩阵及其性质概括如下：

表1 常见矩阵及其性质

　　我们知道实对称矩阵正交相似于对角阵，从而将一个方阵对角化，那么一个的矩阵能否对角化为对角阵呢，答案是肯定的，这也是奇异值分解（singular value decomposition,SVD）的意义所在。

　　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.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。

　　那现在就有疑问了，奇异值怎么求呢，m阶正交矩阵U和n阶正交矩阵V又怎么求呢，为了回答上述问题，我们将SVD写成向量形式，从而对SVD有初步的了解。令，，因为V是正交矩阵，所以有

　　写成向量的形式有

即

对1.1式转置得，

同理可得，

对1.4式两端左乘A^T得，

将1.6式代入1.7式中，

同理可得，

　　故v_i是实对称矩阵A^TA属于的特征向量，u_i是实对称矩阵AA^T属于的特征向量。也就是说，奇异值就是实对称矩阵AA^T（或者A^TA）非零特征值的模长（即非零特征值开根号），而正交矩阵U（V）就是AA^T（A^TA）特征值所对应的特征向量。当然并不是随意地取m个特征向量组成U，随意地取n个特征向量组成V就可以构成A奇异值分解的正交矩阵的，U和V之间是配对的，有固定的关系，用表达式表示即为

这个式子的推导在后面会介绍，现在继续探讨实对称矩阵AA^T和 A^TA特征值的性质，有如下两个性质：

1）AA^T和 A^TA的特征值为非负数；

 2）AA^T和A^TA的非零特征值集合相同；

　　因此，AA^T和 A^TA的特征值为非负数，且AA^T和 A^TA的非零特征值集合相同，即求A的奇异值时，只需求出AA^T和A^TA其中一个矩阵的特征值即可。

　　接下来，推导正交矩阵U和正交矩阵V之间的配对关系，设为是n阶对称方阵A^TA的单位正交特征向量，

注意到，故，即.令，则

且有

故是AA^T的单位正交特征向量。也就是说，当是A^TA的单位正交特征向量时，是AA^T的单位正交特征向量，且.

　　至此，矩阵A的奇异值分解就可以求出来了，首先求出AA^T（A^TA）的特征值，其中，非零特征值就是矩阵A的奇异值；接着求出AA^T（A^TA）特征值所对应的特征向量（包括零特征值对应的特征向量）作为正交矩阵U（V）；最后根据配对关系求出另一个正交矩阵V（U）非零特征值所对应的特征向量，而正交矩阵V（U）的零特征值对应的特征向量则可以代入特征方程求出（或者其他方法），从而，得到任意矩阵A的奇异值分解。

　　这是实数域R的情况，复数域C中的奇异值分解大同小异。

　　设，是A的r个奇异值，则存在m阶酉矩阵U和n阶酉矩阵V，满足

则上面的分解称为奇异值分解（复数域中）。

    求任意一个复矩阵A的奇异值分解跟实矩阵A的奇异值分解步骤是一样的，就是非零特征值对应的次酉矩阵U₁、V₁的配对关系变为

其中，，这是在求一个复矩阵A的奇异值分解时应该注意的。

2.例子

求矩阵

的奇异值分解表达式。

3.应用

　　奇异值分解（SVD）的应用有特征降维（feature reduction）、图像压缩以及潜在语义分析（latent semantic indexing,LSI）等。就图像压缩来说，例如一张的图像，需要的矩阵来存储它。而利用奇异值分解，则只需存储矩阵的奇异值，奇异向量和，数目为，而不是。通常，所以，即存储该图像所需的存储量减小了。比值称为图像的压缩比，其倒数称为数据压缩率。如果矩阵的奇异值从一个数开始值远小于前面的奇异值，则可以删去，这样在保证图像不失真的前提下，进一步减小了存储量。

SVD总结

标签：

原文地址：http://www.cnblogs.com/xugenpeng/p/4839336.html