奇异分解(SVD)
2016-09-12 16:32
190 查看
奇异分解
假设C是m×n矩阵,U是m×m矩阵,其中U的列为的正交特征向量,V为n×n矩阵,其中V的列为
的正交特征向量,再假设r为C矩阵的秩,则存在奇异值分解:
其中
和
的特征值相同,为
,且
。
是m
×n的矩阵,
,
。令
,则
。
称为矩阵C的奇异值。
所以有了矩阵C,可以求得
或者
,从求得方阵
或者
的特征值,利用这些特征值得到
,从而求得
,求得
的时候已经求得U或者V。
例题:
,求A的奇异值分解。
解:
,
,
,
故
,
当
时,特征向量为
,
,
,
标准化后
,
,令
同理,先求
,再求U。
,
当
时,特征向量
,
,
,
,
,
,
由此可知,
,
,a是一个常数,然后单位化
便得到
。
所以
,
最后得
---------------------------------------------------------------------------------
特征值分解——EVD
在这里,选择一种特殊的矩阵——对称阵(酉空间中叫hermite矩阵即厄米阵)。对称阵有一个很优美的性质:它总能相似对角化,对称阵不同特征值对应的特征向量两两正交。一个矩阵能相似对角化即说明其特4000
征子空间即为其列空间,若不能对角化则其特征子空间为列空间的子空间。现在假设存在
的满秩对称矩阵A,它有m个不同的特征值,设特征值为
,对应的特征向量为
,则有:
U为的列是两两正交向量,所以它的逆矩阵等于转置矩阵。
奇异值分解——SVD
假设存在一个矩阵A,A矩阵将n维空间中的向量映射到k
为空间中,
。目标:在n维空间中找一组正交基,使得经过A变换后还是正交的。
假设这组标准正交基为:
,则A矩阵将这组基映射为
,如果要使他们两两正交,即有以下关系
根据假设,也有以下关系:
所以如果选择v为
的特征向量的话,由于
是对称阵,v之间两两正交,那么
这样就找到了正交基使其映射后还是正交基了,现在,将映射后的正交基单位化:
所以
单位化:
由此得到关系:
从而得到
令
,
则
是A的满秩分解。
Reference
http://blog.csdn.net/zhongkejingwang/article/details/43053513
相关文章推荐
- 奇异值、奇异矩阵、SVD分解、正交矩阵
- 奇异值的物理意义是什么?强大的矩阵奇异值分解(SVD)及其应用
- 如何轻松干掉svd(矩阵奇异值分解),用代码说话
- 奇异值分解 SVD 的数学解释
- 奇异值、奇异矩阵、SVD分解、正交矩阵
- 奇异值、奇异矩阵、SVD分解、正交矩阵定义解释
- 奇异值、奇异矩阵、SVD分解、正交矩阵(转载)
- 推荐算法基础--矩阵奇异值分解svd
- 奇异值、奇异矩阵、SVD分解、正交矩阵定义解释
- [转]矩阵奇异值分解(SVD)及其应用
- c++ 实奇异值分解svd
- 强大的矩阵奇异值分解(SVD)及其应用
- 6. 矩阵SVD分解
- gemm() 与 gesvd() 到矩阵求逆(inverse)(根据 SVD 分解和矩阵乘法求矩阵的逆)
- 矩阵奇异值分解(SVD)
- 存一下。MATLAB矩阵分解:LU,QR,SVD详解
- 机器学习中的数学(5)-强大的矩阵奇异值分解(SVD)及其应用
- 强大的矩阵奇异值分解(SVD)及其应用
- 机器学习中的数学(5)-强大的矩阵奇异值分解(SVD)及其应用
- 矩阵奇异值分解(SVD)与主成份分析(PCA)详解