奇异值分解
奇异值分解的一些特性以及应用小案例
奇异值分解的一些特性以及应用小案例一、奇异值分解的特性1.唯一性：对于任意一个矩阵A，它的奇异值分解是唯一的。
也就是说，任意两个不同的SVD分解结果之间，只有奇异向量的顺序和奇异值的正负可能不同。
2.矩阵的逆和伪逆：对于一个非奇异矩阵A，它的逆可以通过对SVD 分解后的三个矩阵进行逆乘得到，即A的逆等于VΣ⁺U^T，其中Σ⁺是Σ的逆矩阵的转置。
当A是一个奇异矩阵时，可以用伪逆来表示它的逆。
3.奇异值与特征值的关系：对于一个方阵A，它的SVD分解与特征值分解存在一定的关联。
A的非零奇异值的平方等于A的非零特征值，而U 和V中的列向量分别是A的左特征向量和右特征向量。
二、奇异值分解的应用案例1.图像压缩：在图像处理中，SVD可以用于对图像进行压缩。
将图片矩阵进行SVD分解后，可以利用奇异值的特性，选择数值较大的奇异值，然后将较小的奇异值设为0，以达到降低图像质量的目的。
这样就可以减少图像所需的存储空间，同时避免图像失真过大。
2.推荐系统：在推荐系统中，SVD可以用于对用户和物品之间的隐含关系进行建模。
将用户-物品评分矩阵进行SVD分解，得到用户特征矩阵和物品特征矩阵，然后可以通过计算用户特征向量和物品特征向量之间的相似度，来预测用户对未评分物品的喜好程度，从而实现个性化的推荐。
3.语言模型：在自然语言处理中，SVD可以用于构建词向量的模型。
通过对大量文本数据进行SVD分解，可以得到一个降维后的向量空间，每个词语对应一个向量。
这些向量可以捕捉到不同词语之间的语义关系，例如可以用向量表示"男人"-"女人"的关系，从而进行词义相似度计算、文本分类、情感分析等任务。
以上是奇异值分解的一些特性以及应用案例的简要介绍。
奇异值分解具有唯一性、与特征值分解有一定的关系，可以用于矩阵的逆和伪逆计算。
在实际应用中，SVD被广泛用于图像压缩、推荐系统和语言模型等领域。
通过对SVD的理解和应用，可以在相关领域中提供强大的分析和建模能力。
奇异值分解
奇异值分解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。
定义：设A为m*n阶矩阵，AHA的n个特征值的非负平方根叫作A的奇异值。
记为σi(A)。
如果把AHA的特征值记为λi(A)，则σi(A)＝λi(AHA)^(1/2)。
定理:（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)，σi>0 (i=1,…,r)，r=rank(A)。
推论：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)，σi>0 (i=1,…,r)，r=rank(A)。
说明：1、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S'S，A'A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。
2、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A'A特征值的说明. (对复矩阵类似可得)从上面我们知道矩阵的奇异值分解为: A=USV, 其中U,V是正交阵(所谓B为正交阵是指B'=B-1, 即B'B=I), S为对角阵.A'A=V'S'U'USV=V'S'SV=V-1S2V上式中, 一方面因为S是对角阵, S'S=S2, 且S2对角元就是S的对角元的平方. 另一方面注意到A'A是相似与S2的, 因此与S2有相同特征值.注：下面的符号和上面的有差异，注意区分SVD步骤：1、求AHA或AAH2、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)则n阶复方阵U的n个列向量是U空间的一个标准正交基,则U是U距阵.一个简单的充分必要判别准则是方阵U的转置共扼距阵乘以U 等于单位阵,则U是U距阵正交向量组的性质定义1Euclid空间V的一组两两正交的非零向量叫做V的一个正交向量组．若正交向量组的每一个向量都是单位向量，这个正交组就叫做一个标准正交向量组．设V是一个n维Euclid空间．若V中n个向量α1，α2，…，αn构成一个正交组，则由定理9.2.1知道这n个向量构成V的一个基．这样的一个基叫做V的一个正交基．若V的一个正交基还是一个标准正交向量组，则称这个基是V的一个标准正交基。
奇异值分解原理
奇异值分解原理
奇异值分解（Singular Value Decomposition，SVD）是一种矩阵分解技术，它可以将一个矩阵分解为三个矩阵的乘积，这三个矩阵分别是左奇异矩阵，奇异值矩阵和右奇异矩阵。
奇异值分解的主要应用之一是矩阵的减少，这种减少可以用来减少矩阵的计算复杂度，以及减少需要存储的内存大小。
奇异值分解的另一个主要应用是降维，它可以将原始数据集中的特征映射到较低维度的特征空间，从而能够去除噪声和保留最重要的特征。
这样做的好处是减少计算量和节省内存，同时还能提高计算机的运行效率。
此外，奇异值分解还可以用于机器学习中的特征提取和特征抽取，它可以将原始数据的高维特征映射到较低维特征空间，从而提取出最重要的特征，并减少噪声的影响。
总之，奇异值分解是一种非常有用的数学工具，可以用于减少矩阵计算复杂度，减少内存大小，降维，特征提取以及特征抽取等任务。
它可以有效地帮助我们解决许多数据分析问题，因此被广泛应用于许多机器学习领域。
矩阵的奇异值分解
非对称矩阵分解
非对称矩阵的特征值分解
对于非对称矩阵，其特征值可能是复数，因此不能直接进行实数域上的特征值分 解。但是，可以通过引入复数域上的特征向量和特征值，将非对称矩阵分解为复 数域上的特征向量矩阵和特征值矩阵的乘积。
非对称矩阵的奇异值分解
对于任意实非对称矩阵，都可以进行奇异值分解，即$A = USigma V^T$，其中 $U$和$V$是正交矩阵，$Sigma$是对角矩阵，对角线上的元素是$A$的奇异值。 非对称矩阵的奇异值分解在数据降维、图像处理等领域有广泛应用。
通信信道均衡策略
信道均衡原理
在通信系统中，信道均衡是一种用于补偿信道失真、提高通信质量的技术。奇异值分解可用于信道均衡中的信道 矩阵分解，从而实现对信道特性的准确估计和补偿。
基于奇异值分解的信道均衡算法
利用奇异值分解对信道矩阵进行分解，根据得到的奇异值和左右奇异向量设计均衡器，实现对信道失真的有效补 偿。
3
个性化推荐
结合用户历史行为数据和相似度计算结果，为用 户推荐与其兴趣相似的物品或服务。
05 奇异值分解在信号处理和 通信中应用
信号降噪与重构技术
基于奇异值分解的信号降噪
利用奇异值分解能够将信号分解为多个独立成分的特点，对含噪信号进行降噪处理，提高信号质量。
信号重构技术
通过保留奇异值分解得到的主要成分，对信号进行重构，实现信号的压缩和恢复。
特殊类型矩阵分解
正定矩阵的Cholesky分解
对于正定矩阵，可以进行Cholesky分解，即$A = LL^T$，其中$L$是下三角 矩阵。Cholesky分解在求解线性方程组、最优化问题等场景中具有重要作用。
稀疏矩阵的分解
对于稀疏矩阵，可以采用特定的分解方法，如LU分解、QR分解等，以便更有效 地进行存储和计算。这些分解方法在数值计算、科学计算等领域有广泛应用。
奇异值分解与特征值分解的比较分析(Ⅰ)
奇异值分解与特征值分解是线性代数中两个重要的矩阵分解方法。
它们在数据分析、信号处理、图像压缩等领域都有着广泛的应用。
本文将对这两种分解方法进行比较分析，探讨它们的优缺点及适用范围。
一、奇异值分解（SVD）奇异值分解是一种将一个矩阵分解成三个矩阵的方法，即将一个m×n的矩阵A分解为U、Σ和V三个矩阵的乘积，其中U是一个m×m的酉矩阵，Σ是一个m×n的对角矩阵，V是一个n×n的酉矩阵。
奇异值分解有着许多优点，比如对于任意的矩阵A，都存在奇异值分解。
并且，对于奇异值分解的性质有许多重要的应用，比如在矩阵压缩和降维、矩阵逆的计算等方面。
二、特征值分解（EVD）特征值分解是一种将一个方阵分解成三个矩阵的方法，即将一个n×n的方阵A分解为P、Λ和P-1三个矩阵的乘积，其中P是一个n×n的可逆矩阵，Λ是一个n×n的对角矩阵，P-1是P的逆矩阵。
特征值分解也有着诸多优点，比如对于对称矩阵来说，特征值分解是唯一的，而且特征值分解在对称矩阵的对角化、矩阵对称化等方面有着重要的应用。
三、奇异值分解与特征值分解的比较分析1. 计算复杂度在计算复杂度方面，特征值分解的计算复杂度通常比奇异值分解高。
特征值分解需要解特征值问题，而奇异值分解只需要进行奇异值分解，因此在计算复杂度上，奇异值分解更加高效。
2. 适用范围特征值分解对于对称矩阵有着很好的适用性，而奇异值分解对于任意矩阵都有着适用性。
因此，在实际应用中，奇异值分解的适用范围更广。
3. 稳定性在矩阵的微小扰动下，特征值分解的结果可能会有较大的变化，而奇异值分解对于矩阵的微小扰动具有更好的稳定性。
因此在数值计算中，奇异值分解更加稳定可靠。
四、结论奇异值分解与特征值分解是两种重要的矩阵分解方法，它们在不同的领域有着不同的应用。
在计算复杂度、适用范围和稳定性等方面，奇异值分解相对于特征值分解具有更多的优势。
奇异值分解
奇异值分解(SVD) --- 几何意义奇异值分解( The singular value decomposition )该部分是从几何层面上去理解二维的SVD：对于任意的 2 x 2 矩阵，通过SVD可以将一个相互垂直的网格(orthogonal grid)变换到另外一个相互垂直的网格。
我们可以通过向量的方式来描述这个事实: 首先，选择两个相互正交的单位向量v1 和v2, 向量M v1和M v2正交。
u1和u2分别表示M v1和M v2的单位向量，σ1* u1= M v1和σ2* u2= M v2。
σ1和σ2分别表示这不同方向向量上的模，也称作为矩阵M的奇异值。
这样我们就有了如下关系式M v1= σ1u1M v2= σ2u2我们现在可以简单描述下经过M线性变换后的向量x 的表达形式。
由于向量v1和v2是正交的单位向量，我们可以得到如下式子：x = (v1x) v1 + (v2x) v2这就意味着：M x = (v1x) M v1 + (v2x) M v2M x = (v1x) σ1u1 + (v2x) σ2u2向量内积可以用向量的转置来表示，如下所示v x = v T x最终的式子为M x = u1σ1v1T x + u2σ2v2T xM = u1σ1v1T + u2σ2v2T上述的式子经常表示成M = UΣV Tu 矩阵的列向量分别是u1,u2 ，Σ是一个对角矩阵，对角元素分别是对应的σ1和σ2，V 矩阵的列向量分别是v1,v2。
上角标T表示矩阵V 的转置。
这就表明任意的矩阵M是可以分解成三个矩阵。
V 表示了原始域的标准正交基，u 表示经过M 变换后的co-domain的标准正交基，Σ表示了V 中的向量与u 中相对应向量之间的关系。
(V describes an orthonormal basis in the domain, and U describes an orthonormal basis in the co-domain, and Σ describes how much the vectors in V are stretched to give the vectors in U.)如何获得奇异值分解？( How do we find the singular decomposition? ) 事实上我们可以找到任何矩阵的奇异值分解，那么我们是如何做到的呢？假设在原始域中有一个单位圆，如下图所示。
奇异值分解定理
奇异值分解定理奇异值分解（Singular Value Decomposition，简称SVD）是线性代数中一种重要的矩阵分解方法，常用于数据分析、信号处理、图像压缩等领域。
SVD的定理表明，任何矩阵都可以分解成三个矩阵的乘积，其中一个矩阵是正交矩阵，另外两个矩阵是对角矩阵，且对角线上的元素称为奇异值。
奇异值分解定理的数学概念比较复杂，需要一定的线性代数基础。
下面将对奇异值分解定理进行详细解释。
给定一个m行n列的实数矩阵A，假设rank(A)为r.那么存在两个实数方阵U(m×r)和V(n×r)，使得：A = UΣV^T其中，U的每一列是A^TA的特征向量，V的每一列是AA^T的特征向量，Σ是一个对角矩阵，对角线上的元素称为奇异值。
奇异值分解定理的证明比较复杂，这里只给出一个简要的证明思路。
假设A的列向量为{a1, a2, ..., an}，它们构成了一个n维向量空间的一组基。
我们可以将这组基转化为标准正交基，得到一组正交矩阵U和V。
然后我们可以通过对U和V进行一些数学操作，得到UΣV^T形式的矩阵。
最后，我们可以证明这个矩阵确实满足奇异值分解定理的要求。
奇异值分解定理在数据分析中有广泛的应用。
例如，在推荐系统中，我们可以通过SVD将用户对物品的评分矩阵分解，得到用户和物品的特征矩阵，从而进行个性化推荐。
在语音识别中，我们可以通过SVD将语音信号分解成一组基本声音的叠加，从而实现语音信号的降噪和特征提取。
在图像压缩中，我们可以通过SVD将图像分解成一组基本的图像模式，从而实现图像的降噪和压缩。
奇异值分解定理的应用不仅局限于上述领域，还可以应用于信号处理、图像处理、文本处理等其他领域。
通过奇异值分解，我们可以将复杂的问题转化为简单的线性代数运算，从而大大简化问题的求解过程。
然而，奇异值分解也有一些限制。
首先，奇异值分解是一种数值方法，对计算精度要求较高。
其次，奇异值分解的计算复杂度较高，对于大规模矩阵的分解可能会很耗时。
第15章 奇异值分解
• 实际应用中提到矩阵的奇异值分解时，通常指截断奇异值分解。
截断奇异值分解
例
• 矩阵A的秩为3，
• 若取k=2，则其截断奇异值分解是
几何解释
• 从线性变换的角度理解奇异值分解， m x n 矩阵A表示从n维空间Rn到 m维空间Rm的一个线性变换，
坐标系的旋转或反射变换U，得到向量
。
• 原始空间的标准正交基，
经过坐标系的旋转变换VT、 坐标轴的缩放变换刃、 坐标系的旋转变换U， 得到和经过线性变换A等价的结果。
例
• 给定一个2阶矩阵
• 其奇异值分解为
例
• 观察基于矩阵A的奇异值分解将R2的标准正交基
• 进行线性转换的情况 • 首先，VT表示一个旋转变换，将标准正交基e1, e2旋转，得到向
• 的奇异值分解
例
• （1）求ATA的特征值和特征向量
• 得到齐次线性方程组
例
• 该方程有非零解的充要条件是
• 解此方程，得矩阵ATA的特征值
和
。
• 将特征值代入线性方程组，得到对应的单位特征向量
例
• （2）求正交矩阵V • 构造正交矩阵V
• （3）求对角矩阵
• 奇异值为
和
• 构造对角矩阵
例
• （3）求 m x n 对角矩阵
• 计算A的奇异值
• 构造 m x n 矩形对角矩阵 ，主对角线元素是奇异值，其余 元素是零
奇异值分解的计算
• （4） 求m阶正交矩阵U • 对A的前r个正奇异值，令 • 得到 • 求AT的零空间的一组标准正交基
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
地球物理系反演报告
实验一奇异值分解计算广义逆G+
专业：地球物理学
姓名：
学号：
指导教师：邵广周
实验一 奇异值分解计算广义逆G +
一、基本原理
对于任意的n m ⨯方程组：b Ax =
其中⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=mn m n a a a a A
1
111
⎥⎥
⎥⎦
⎤
⎢⎢⎢⎣⎡=n x x x 1 ⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=m b b b 1 如果n m =，只要n 方阵A 非奇异，就有逆阵1-A ，从而得到解b A x 1-=。
然而，对于n m ≠的一般情况，A 是长方阵，就没有通常的逆阵。
不过它仍然可以有相应于特定方程类型的几种形式的广义逆矩阵，其中适于任何情况的广义逆叫做Penrose 广义逆，记为+A 。
于是，方程的解可以为：
b A x +=
由奇异值分解（SVD ）可以将A 分解为：
T V U A ∑=
其中U ，V 分别为m ,n 阶正交阵
⎥
⎥⎥⎥⎥⎥⎥⎥⎦⎤
⎢⎢⎢⎢⎢
⎢⎢⎢⎣
⎡=∑00
1
r
σσ 这样A 的广义逆+A 可表示为：
T U V A 1-+∑=
其中
⎥⎦⎤⎢⎣⎡∑=∑--0001
1
r
⎥⎥⎥⎦⎤⎢⎢⎢⎣
⎡=∑---1111r r
σσ
这样我们可以看出，完成A 的奇异值分解后，求解A 的广义逆就变得很简单，从而可以方便地求出方程组的最小二乘解。
下面我们说明对矩阵进行奇异值分解的方法和步骤。
通常情况下我们考虑m>n 时矩阵A 的奇异值分解，因为当m<n 时，可以将n-m 行补零使其成为方阵后再进行分解。
这样我们就将矩阵A 的奇异值分解分为两大步，若干小步如下：
一、用Householder 变换将A 约化为双对角矩阵。
具体步骤如下：
1. 以A 的第1列作为v ，取i=1，按下列式子构造Householder 矩阵Q 式中i H 为Q ，为了方便以后的说明我们还用i H 表示
2
/122
)
(1)(12
)(22
)(),,,,0,0(),,,)(,,0,0()
1(∑=++==+=-
=m
i k k i T m i i i T m i i i i i i
T i i i v v
v v v v v v v v sign v u u u u I H 其中，
2. 将Q 1左乘A 得到矩阵Q 1 A ，并以Q 1 A 的第1行作为v ，取i=2，按（1）式构造Householder 矩阵H 2， 右乘Q 1A 得到Q 1A H 2。
3. 取Q 1A H 2的第2列为v ，i=2，按（1）式构造Householder 矩阵Q 2，左乘Q 1A H 2，得到Q 2 Q 1A H 2，并将计算Q 2 Q 1将其存入Q 1。
4. 取Q 2 Q 1A H 2的第2行为v ，i=3，按（1）式构造Householder 矩阵H 3，右乘Q 2 Q 1A H 2，得到Q 2 Q 1A H 2 H 3，并将H 2 H 3存入H 2。
5. 依次类推，计算出Q n Q n-1…Q 1AH 2 H 3…H n-1为双对角矩阵，并将Q n Q n-1…Q 1存入到Q 1中，H 2 H 3…H n-1存入到H 2 中。
Q n Q n-1…Q 1AH 2 H 3…H n-1为双对角矩阵记为：
⎥⎥⎥⎥⎥⎥⎥⎥⎥⎦
⎤⎢⎢⎢⎢⎢
⎢⎢⎢⎢⎣
⎡=-00
01
3
22
1
n n n B βγβγβγβ 需要注意的是：当n m =时，只计算到Q n-1…Q 1AH 2 H 3…H n-2
二、用原点位移QR 算法进行迭代，计算所有的奇异值，并最终结合（一）计算出出U 和V 。
1. 按下式列旋转矩阵H 0
⎥⎥
⎥
⎥⎥
⎥⎦
⎤
⎢⎢⎢⎢⎢⎢⎣⎡-=110 c s s c H （2）
式中
()
(
)
[]
2
/121
2
2
2
1
21222121222
122112
2212142
121//-----+--+-+++==-=+===n n n n n n n n n n r r
s r c γ
γγβγβγβγβσγβξσβξξξξξ
并将计算BH 0
2. 按下式构造列旋转矩阵并计算Q 1 BH 0
⎥⎥
⎥
⎥⎥
⎥⎦
⎤⎢⎢⎢⎢⎢⎢⎣⎡-=11
1 c s s c Q
3. 构造列旋转矩阵并计算Q 1 BH 0H 1以及H 0H 1
⎥⎥
⎥⎥
⎥⎥⎥⎥⎦
⎤⎢⎢⎢⎢⎢⎢⎢⎢⎣⎡-=1111 c s s c H
4. 构造列旋转矩阵并计算Q 2 Q 1 BH 0H 1以及Q 2 Q 1
⎥⎥
⎥⎥
⎥⎥⎥⎥⎦
⎤
⎢⎢⎢⎢⎢⎢⎢⎢⎣⎡-=1112 c s s c Q
5. 按类似（3），（4）的方法构造列旋转矩阵，并计算相应的新矩阵Q i …Q 2 Q 1
BH 0H 1…H i-1,直到i=n ，并记1211Q Q Q Q n =，1101
1-=n H H H H ，110121
11-==n n H H BH Q Q Q Q B ，即1111
1BH Q B = 6. 判断B 1的次对角线元素是否在误差范围内可以认为是0，若是则分解完毕，若否，则将B 1作为上面的B 重复步骤1，2，3，4，5，6。
直到B k 可以近
似看作是对角阵。
即：1
1111-----=k k k k k k H B Q B
记112211Q Q Q Q k k --=，112211--=k k H H H H
则B k 的对角线元素就是矩阵A 的奇异值，即T V U A ∑=中的∑已经求得，从上面的过程中我们可以将A 按下面的式子进行分解：
21HH QB Q A k =
对比T V U A ∑=，k T T B H H V Q Q U =∑==，，21，这样我们就完成了矩阵A 的奇
异值分解，由于U 和V 都是正交阵，我们能够得到A 的广义逆+A ，从而可以根据下列公式计算方程组的最小二乘解：
b A x +=
二、程序设计及结果分析
1、本次实验给的是109⨯的方程组：b Ax =，具体数值如下：
1001001001601001001016001001001
1611100000023000111000
260000
0011
1291.414000 1.4140000.41438.4850000.4140000.414
037.0713⎡⎤⎡⎤⎡⎤
⎢⎥⎢⎥⎢⎥⎢
⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢
⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥
⎢⎥⎢⎥⎢⎥=⎢
⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥
⎢⎥⎢⎥⎢⎢⎥⎢⎥⎢⎢⎥⎢⎥⎢⎣
⎦⎣⎦⎣⎦
⎥⎥⎥ 其中，计算精度为：000001.0=EPS 。
2、计算结果
123456789 1.000350.999651.000002.000352.000001.999652.999293.000353.00035x x x x x x x x x ⎡⎤⎡⎤
⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥=⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥
⎣
⎦⎣⎦
3、结果分析
由以上结果分析可知，奇异值分解对求解欠定矩阵是很有用的。
计算结果与
真实模型值相符。
且误差较小。
可见，奇异值分解对于求解奇异矩阵还是很有用的，具有很
好的可行性，其结果也符合方程组。
通过本次实验，我对奇异值分解
有了更进一步的理解，了解了其基本原理及具体求解步骤。