奇异值分解及应用
矩阵的奇异值分解及其实际应用
矩阵的奇异值分解及其实际应用矩阵的奇异值分解（Singular Value Decomposition，SVD）是一种重要的矩阵分解方法，它在数据处理、信号处理、图像处理、自然语言处理等领域有广泛的应用。
一、SVD的定义和原理SVD是一种矩阵分解方法，把一个矩阵分解为三个矩阵的乘积，即：$A=U\Sigma V^T$其中，$A$为一个$m\times n$的矩阵，$U$为$m\times m$的酉矩阵，$\Sigma$为$m\times n$的对角矩阵，$V$为$n\times n$的酉矩阵，$T$表示转置。
$\Sigma$中的对角元素称为奇异值，是矩阵$A$的奇异值分解中的核心。
$\Sigma$中的奇异值按从大到小的顺序排列，它们可以用来表示原始矩阵$A$的主要特征。
在一些情况下，我们只需要保留前$k$个最大的奇异值对应的列向量组成的$\Sigma$和对应的$U$、$V$矩阵，即可以得到一个$k$维的近似矩阵，这种方法称为截断奇异值分解。
SVD的原理可以利用矩阵的特征值和特征向量的概念来解释。
对于一个$n\times n$的矩阵$A$，它可以表示为：$A=Q\Lambda Q^{-1}$其中，$Q$为特征向量矩阵，$\Lambda$为特征值矩阵，这里我们假设$A$是对称矩阵。
SVD可以看做是对非对称矩阵的特征值和特征向量的推广，它把矩阵$A$分解为$U\Sigma V^T$，其中，$U$矩阵的列向量为$AA^T$的特征向量，$V$矩阵的列向量为$A^TA$的特征向量，而$\Sigma$则由$AA^T$和$A^TA$的特征值的平方根构成。
二、SVD的应用SVD在数据处理、信号处理、图像处理、自然语言处理等领域都有广泛的应用。
1、数据处理在数据分析和数据挖掘中，我们常常需要对数据进行降维，以便于可视化和分析。
SVD可以对数据进行降维，并且保留了数据的主要特征。
例如，我们可以利用SVD对用户-物品评分矩阵进行降维，得到一个低维的用户-主题矩阵和一个低维的主题-物品矩阵，从而实现推荐系统。
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。
矩阵奇异值分解算法及应用改进分析
矩阵奇异值分解算法及应用改进分析矩阵奇异值分解（Singular Value Decomposition, SVD）是一种常用的矩阵分解方法。
在大数据处理、图像处理、推荐系统等领域都有广泛的应用。
本文将介绍SVD的基本原理，并对其应用进行改进分析。
一、矩阵奇异值分解的基本原理矩阵奇异值分解是将一个矩阵分解为三个矩阵相乘的形式。
设M 是一个m行n列的实数矩阵，那么SVD可表示为以下形式：M=UΣV^T其中，U是一个m行m列的正交矩阵，Σ是一个m行n列的对角矩阵，V^T是一个n行n列的正交矩阵。
对角矩阵Σ的对角线元素称为奇异值，代表了原始矩阵在相应方向上的信息量。
在矩阵奇异值分解中，U矩阵是原始矩阵M乘以其转置M^T的特征向量组成的矩阵，V矩阵是M^T乘以M的特征向量组成的矩阵。
特征向量的选择保证了矩阵的正交性，而奇异值的排序表明了它们的重要性，排序靠前的奇异值所对应的特征向量往往包含了较多的信息。
二、SVD的应用改进分析1. 矩阵降维和压缩在大数据处理中，往往需要对高维稀疏矩阵进行降维和压缩。
通过SVD分解后，可以选择保留较小的奇异值和对应的特征向量，从而实现对矩阵的降维和压缩。
降维和压缩后的矩阵占用更小的存储空间，便于后续的计算和处理。
2. 推荐系统在推荐系统中，SVD可以被用于对用户和物品之间的关系进行建模。
通过对用户-物品评分矩阵进行SVD分解，可以得到用户和物品的隐含特征向量。
利用这些特征向量，可以给用户推荐未曾接触过的物品。
3. 图像处理SVD也被广泛应用于图像压缩和去噪领域。
通过对图像矩阵进行SVD分解，可以得到图像的主要特征分量。
如果舍弃一些较小的奇异值和对应的特征向量，可以实现对图像的降噪和压缩。
4. 数据挖掘SVD还可以用于数据挖掘中的降维和特征提取。
通过保留较大的奇异值和对应的特征向量，可以提取出数据中最重要的特征，并减少数据的维度，从而提高后续的数据挖掘效果和计算效率。
三、结论矩阵奇异值分解是一种重要的矩阵分解方法，具有广泛的应用前景。
四元数矩阵的奇异值分解及其应用
四元数矩阵的奇异值分解及其应用引言：奇异值分解（Singular Value Decomposition，SVD）是线性代数中一项重要的矩阵分解方法，广泛应用于信号处理、图像处理、数据压缩等领域。
在四元数矩阵的奇异值分解中，我们将探讨如何将四元数矩阵表示为奇异值分解的形式，并介绍其在图像处理和机器学习中的应用。
一、四元数矩阵的奇异值分解1.1 奇异值分解简介奇异值分解是一种将矩阵分解为三个矩阵乘积的方法，即将一个矩阵A表示为A = UΣV^T的形式，其中U和V是正交矩阵，Σ是对角矩阵。
奇异值分解的核心思想是将原始矩阵A通过正交变换分解为一个对角矩阵，对角线上的元素即为奇异值。
1.2 四元数矩阵的表示四元数矩阵是一种特殊的矩阵，可以表示为q = a + bi + cj + dk的形式，其中a、b、c、d是实数。
类似于复数矩阵的表示，我们可以将四元数矩阵表示为Q = A + Bi，其中A和B都是实数矩阵。
1.3 四元数矩阵的奇异值分解对于四元数矩阵Q，我们可以将其进行奇异值分解，即Q = UΣV^T。
不同于复数矩阵的奇异值分解，四元数矩阵的奇异值分解需要考虑其特殊的代数性质。
具体的奇异值分解过程可以参考相关的数学文献。
二、四元数矩阵奇异值分解的应用2.1 图像处理中的应用奇异值分解在图像处理中有广泛的应用。
通过对图像进行奇异值分解，可以实现图像的降噪、压缩和增强等操作。
例如，可以通过保留奇异值较大的部分来实现图像的去噪处理，同时可以利用奇异值分解的低秩性质来实现图像的压缩存储。
2.2 机器学习中的应用奇异值分解在机器学习领域也有重要的应用。
例如，在推荐系统中，可以利用奇异值分解对用户-物品评分矩阵进行分解，从而得到用户和物品的隐含特征表示，进而实现个性化推荐。
此外，奇异值分解还可以用于主成分分析（Principal Component Analysis，PCA），用于降维和特征提取。
结论：四元数矩阵的奇异值分解是线性代数中一项重要的矩阵分解方法，可以用于图像处理和机器学习等领域。
奇异值分解及其应用
奇异值分解及其应用奇异值分解是一种常见的线性代数算法，它将矩阵分解为三个子矩阵的乘积：一个左奇异矩阵、一个奇异值矩阵和一个右奇异矩阵。
这种分解方法可以用于数据降维、数据压缩、信号处理、图像处理等领域，具有广泛的应用价值。
一、奇异值分解的定义在介绍奇异值分解之前，先来回忆一下什么是矩阵的秩。
矩阵的秩是指其行向量或列向量的极大无关组的向量个数。
如果一个矩阵A的秩为r，则可以写成以下形式：A = U * S * V'其中U是m x r的矩阵，S是r x r的对角矩阵，V是n x r的矩阵，'表示转置。
矩阵S上的对角线元素称为奇异值，它们按大小排列，用σ1, σ2, ..., σr表示。
由于奇异值矩阵是对角矩阵，因此可以忽略其中的零项。
这样，我们可以将矩阵A分解成三个子矩阵的乘积。
二、奇异值分解的意义奇异值分解的意义在于将矩阵的信息集中在奇异值上。
对于一个m x n的矩阵A，它有mn个元素，因此需要mn个数字来表示它。
但是，当A的秩较小时，可以用奇异值分解将其表示为r个左奇异向量、r个右奇异向量和r个奇异值的乘积，其中r是A的秩。
这样就大大减少了需要用来表示A的数字的数量。
奇异值分解还有另外一个重要的应用，就是在数据降维中。
假设有一个包含m条数据和n个特征的数据集，可以将这些数据按行排列成一个m x n的矩阵X。
但是由于数据可能存在噪声和冗余特征，因此需要将数据降维，以便更好地处理。
通过对X进行奇异值分解，可以得到其前k个奇异向量，它们是X所包含的信息的最主要部分。
然后，将原始数据乘以这k个奇异向量的转置，就可以得到一个k维向量，表示原始数据在最主要信息方面的投影。
这样就把原始数据从n维降到了k维，实现了数据降维。
三、奇异值分解的计算奇异值分解的计算通常使用迭代方法来求解。
其中一个比较常见的算法是Jacobi迭代法。
这种方法的基本思想是将矩阵A进行一系列相似变换，直到它变成对角矩阵。
当然，这个过程中会出现一些计算误差，因此需要对对角矩阵中接近零的元素进行特殊处理。
奇异值分解和SVD的应用
奇异值分解和SVD的应用奇异值分解（Singular Value Decomposition，SVD）是一种常见的矩阵分解方法，常用于数据降维、信号处理、图像压缩以及推荐系统等领域。
在这篇文章中，我们将深入探讨奇异值分解和SVD的原理、应用以及相关的实现技巧。
一、奇异值分解的原理奇异值分解是将一个矩阵分解成三个矩阵的乘积的过程，即：A = UΣV^T其中，U和V是正交矩阵，Σ是对角矩阵。
U的列向量是AAT的特征向量，V的列向量是ATA的特征向量。
Σ的对角线上的元素为非负实数，称为奇异值，它们是AAT和ATA的特征值开方得到的。
奇异值分解的主要思想是将原始矩阵A投影到一个低维空间上，并尽可能保留原始数据的信息。
通过设定一个阈值，可以舍弃那些对信息损失较小的奇异值及其对应的特征向量，从而实现降维的效果。
二、奇异值分解的应用1. 数据降维数据降维是机器学习和数据挖掘中的一个重要技术。
降维的主要目的是减少特征数量，进而降低计算复杂度和避免过拟合。
奇异值分解可以将高维数据压缩到低维空间中，从而实现数据降维。
2. 图像压缩图像压缩是一种常见的数据压缩技术，通过减少图像中的冗余信息，可以减小图像文件大小，提高存储和传输效率。
奇异值分解可以将图像矩阵分解成三个矩阵的乘积，将大部分能量集中在奇异值较大的部分，从而实现图像压缩的效果。
3. 推荐系统推荐系统是一种利用用户历史行为和偏好等信息，为用户推荐个性化的商品或服务的智能系统。
奇异值分解在推荐系统中的应用主要是基于用户-物品之间的评分矩阵，将其分解成用户和物品的特征矩阵，并通过矩阵乘积得到预测评分值，从而实现推荐算法。
三、SVD的实现技巧1. 矩阵秩的估计在实际应用中，矩阵往往是大规模的、稀疏的。
如果直接对其进行完整的奇异值分解，将会产生巨大的计算量和存储空间。
因此，需要估计矩阵的秩，从而得到重要的奇异值和特征向量，通过这些信息来近似原始矩阵。
2. 基于随机矩阵的采样方法基于随机矩阵的采样方法是解决大规模矩阵SVD问题的一种有效方式。
奇异值分解求解方程组
奇异值分解求解方程组摘要：1.奇异值分解的定义和基本概念2.奇异值分解在求解方程组中的应用3.奇异值分解的优点和局限性正文：一、奇异值分解的定义和基本概念奇异值分解（Singular Value Decomposition，简称SVD）是一种重要的矩阵分解方法，它将一个矩阵分解为三个矩阵的乘积，分别是一个正交矩阵U、一个对角矩阵Σ和一个正交矩阵V。
其中，Σ的对角线上的元素称为奇异值。
二、奇异值分解在求解方程组中的应用奇异值分解在求解线性方程组中具有广泛的应用。
假设有一个线性方程组Ax=B，其中A 是一个m×n 矩阵，x 是n 维未知向量，B 是m 维向量。
当A 的秩等于B 的秩时，该方程组有唯一解，可以通过高斯消元法等方法求解。
然而，当A 的秩小于B 的秩时，该方程组无解或者有无穷多解。
在这种情况下，奇异值分解可以用来求解该方程组的最优解。
具体做法是，将方程组表示为矩阵形式Ax=B，然后对矩阵A 进行奇异值分解，得到UΣV*。
将UΣV*代入方程组，可以得到一个新的方程组Ux=V*B。
通过求解新方程组，可以得到原方程组的解。
三、奇异值分解的优点和局限性奇异值分解的优点在于它可以处理低秩矩阵，即使矩阵A 的秩小于B 的秩，也能求解线性方程组。
此外，奇异值分解具有数值稳定性，对于噪声干扰较大的数据，仍能得到较好的结果。
然而，奇异值分解也存在局限性。
当奇异值之间的差距较大时，奇异值分解的效果较好；但当奇异值之间的差距较小时，奇异值分解的效果较差，可能会出现计算误差较大的情况。
综上所述，奇异值分解是一种求解线性方程组的有效方法，尤其在处理低秩矩阵和噪声数据时具有优势。
奇异值分解及应用
1
1 0
2 2
U
U1,U2
1 2
1 2
0
0 0 1
A 的奇异值分解为
3 0 0
A U 0 1 0V T
0
0 0
奇异值分解方法2--利用矩阵AAH求解 1]先求矩阵AAH的酉相似对角矩阵及酉相似矩阵U;
因此,线性方程组 Ax 0与AH Ax 0同解。
故 rank(A) rank(AH A)
用AH 替换A, 得 rank(A) rank(AH A) rank(AAH )
设A
C mn r
,
对于Hermite 矩阵AHA， AAH，设
AHA， AAH有r个非0特征值，分别记为
1 2 r r1 m 0 1 2 r r1 n 0
奇异值分解及应用
奇异值分解及应用
引理1
设A C mn , AH A与AAH的特征值均为非负实数 。
证明 设是AHA的特征值，x是相应的特征向量， 则 AHAx= x
由于AHA为Hermite 矩阵，故是实数。又
0 ( Ax, Ax) (Ax)H (Ax) xH x xH x 0, 0
奇异值分解方法1—利用矩阵AHA求解
1]求矩阵AHA的酉相似对角矩阵及酉相似矩阵V;
V H (AH
A)V
2 0
0 0
2]记 V (V1,V2 ),V1 C nr ,V2 C n(nr) ,
3]令 U1 AV11 C mr
4]扩充U1为酉矩阵U=(U1 ,U2)
- 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)。
U1 (u1 , u2 ,, ur )
因此可将 u1 , u2 ,, ur 扩充成标准正交基，记
增添的向量为 ur 1 ,, um，并构造矩阵
U2 (ur 1 ,, um )
则
U (U1, U2 ) (u1, u2 ,, ur , ur 1,, um )
是m阶正交矩阵,且有
则有
O O
AH AV1 V1 2， AT AV2 O
③
由③的第一式可得
V1H AH AV1 2， 或者( AV1 1 )H ( AV1 1 ) I r
由③的第二式可得
( AV2 )H ( AV2 ) O 或者AV2 O
1 令 U1 AV1 ，则 U1HU1 I r，即 U1的r个列是两两正交的 单位向量.记
U1 AV1 C
1
nr
,V2 C
n( nr )
,
mr
4]扩充U1为酉矩阵U=(U1 ,U2) 0 H 5] 构造奇异值分解 A U 0 0 V
例1、求矩阵
1 0 1 A 0 1 1 0 0 0
的奇异值分解
记 U （u1，u2， ，un）
则 ( AAH )ui i ui , i 1,2,, n
奇异值分解方法1—利用矩阵AHA求解 1]求矩阵AHA的酉相似对角矩阵及酉相似矩阵V;
2 V H ( AH A)V 0
0 0
2]记
3]令
V (V1,V2 ),V1 C
1 2 r r 1 m 0
称 i 简称奇异值
说明：A的正奇异值个数等于rank( A)，并且A与AH有相同的奇 异值。
i , i 1,, r, 为矩阵A的正奇异值，
定理 酉等价的矩阵有相同的奇异值
证明
设A, B C
mn r
, A与B酉等价, 则
矩阵的奇异值分解就是矩阵在酉等价下的一种标准型。
引理1
设A C
则
mn
, A A与AA 的特征值均为非负实数 。
H
H
证明 设是AHA的特征值，x是相应的特征向量， AHAx= x
由于AHA为Hermite 矩阵，故是实数。又
0 ( Ax, Ax) ( Ax) ( Ax) x x
3 0 0 1 ,
令 V V1 , V2 ,
1 2 1 2 0 1 2 1 2 0
1 1 1 x3 V1 x1 , x2 , V2 2 3 6
计算： U1
1 AV1
1 5 2 5
,
2 5 取 V2 1 , 则 V (V1 ,V2 ) 5
1 5 2 5
2 5 1 5
因此 A UAV
H
5 0 1 0 0 0 1 0 0 0 0 0 1 0 0
奇异值的 倍.
4.奇异值的旋转不变性.即若P是正交阵，PA的 奇异值与A的奇异值相同.
奇异值的比例和旋转不变性特征在数字图 象的旋转、镜像、平移、放大、缩小等几何变 化方面有很好的应用.
5. 容易得到矩阵A的秩为 k k r 的一个最佳逼 近矩阵.
A是矩阵
1 2 r 0
1 2 r r 1 m 0 1 2 r r 1 n 0
则i i , i 1,2, , r
即： AHA与AAH非0特征值相同，并且非零特 征值的个数为 rank ( A)
奇异值的定义
设A Crmn , 且A H A的特征值为
因此, 线性方程组 Ax 0与A Ax 0同解。
H
故 rank( A) rank( AH A)
H H rank ( A ) rank ( A A ) rank ( AA ) 用A 替换A, 得
H
设A C
mn r
,
对于Hermite 矩阵AHA， AAH，设 AHA， AAH有r个非0特征值，分别记为
可以达到降维的目的，同时可以降低计算机 对存贮器的要求.
2. 奇异值对矩阵的扰动不敏感
特征值对矩阵的扰动敏感.
在数学上可以证明，奇异值的变化不会超
过相应矩阵的变化，即对任何的相同阶数的实
矩阵A、B的按从大到小排列的奇异值 i和 i
有
i
i
A B 2
3. 奇异值的比例不变性,即 A 的奇异值是A的
m 阶酉矩阵 U 与 n 阶酉矩阵V ,
O U AV S O O
H
①
其中
diag(1 , 2 ,, r ) (i 1, 2,, r )
1 r 0 为矩阵A的全部奇异值.
证明 设矩阵AH A 的特征值为
1 2 r r 1 n 0
T 构造： U 2 0,0,1
则
1 2 1 2 0 1 2 1 2 0 0 0 1
U U1 ,U 2
A 的奇异值分解为
3 0 0 T A U 0 1 0 V 0 0 0
奇异值分解方法2--利用矩阵AAH求解
H H
x x 0, 0
H
同理可证AAH的特征值也是非负实数。
引理2
设A C
证明
mn r
, 则rank( A A) rank( AA ) rank( A)
H H
设x是方程组AHAx=0的非0解，
H H
Ax C
m
则由 ( Ax, Ax) x ( A Ax) 0 得 Ax 0; 反之，Ax 0的解也是AH Ax 0的解；
称上式为矩阵A的奇异值分解 .
推论 在矩阵A的奇异值分解A=UDVH中，U的列向量为 AAH的特征向量， V的列向量为AHA的特征向量.
证明 AAH (UDV H )(UDV H ) H
UDV HVDU H UD2U H
( AAH )U UD2 Udiag(1 , 2 ,, r ,0,,0)
推荐系统的目标就是预测出符号“？”对应位 置的分值。推荐系统基于这样一个假设：用户 对项目的打分越高，表明用户越喜欢。因此， 预测出用户对未评分项目的评分后，根据分值 大小排序，把分值高的项目推荐给用户。
பைடு நூலகம்
矩阵分解目标就是把用户-项目评分矩阵R分 解成用户因子矩阵和项目因子矩阵乘的形式， 即R=UV，这里R是n×m， n =6， m =7，U是 n×k，V是k×m，如图所示。
第一节
奇异值分解
mn nn 定理：设 A Crmn r 0, 则存在 S Cm , T Cn , 使得
Ir SAT 0
0 0
右式称为矩阵A的等价标准型
酉等价：设 A, B C mn , 若存在m阶酉矩阵U和n阶酉矩阵
H U AV B, 则称A与B酉等价。 V，使得
H U1HU1 I r ，U2 U1 O
于是可得
H U O H H 1 U AV U ( AV1，AV2 ) H (U1 ，O ) O O U 2
O H H H H AU V u v u v u v 1 1 1 2 2 2 r r r O O
1 0 1 AH A 0 1 1 1 1 2
H 可求得 A A 的特征值为 1 3, 2 1, 3 0,
对应的特征向量依次为
于是可得：rankA 2, 其中
T T T x1 1,1,2 ,x2 1,1,0 , x3 1,1,1 ,
则存在n阶酉矩阵 V ，使得
1 2 O H H V ( A A)V O O n
将 V 分块为
V (V1 V2 )
②
其中
V1 ， V2
分别是V 的前 r 列与后 n r 列.
并改写②式为
2 AH AV V O
5 ,
对应的特征向量分别为 1 0 0 x1 0 , x2 1 , x3 0 ; 0 0 1
取 U （x1 , x2 , x3） , U1 x1 , U 2 （x2 , x3）
1 1 0 0 1 H 1 令 V1 A U1 0 2 0 0 5 0
的加权和，其中权系数按递减排列：
A u v u v u v
T 1 1 1 T 2 2 2
T r r r
推荐系统
假设推荐系统中有用户集合有6个用户，即 U={u1,u2,u3,u4,u5,u6}，项目（物品）集合有 7个项目，即V={v1,v2,v3,v4,v5,v6,v7}，用户对 项目的评分结合为R，用户对项目的评分范围 是[0, 5]，如图所示。
0 H A U 0 0 V
例 求矩阵A的奇异值分解
1 A 0 0
2 0 0
利用矩阵AAH求解
5 0 0 H AA 0 0 0 , 1 5 , 0 0 0 AAH的特征值1 5, 2 3 0
1 5 2 5
2 5 1 5
第二节 奇异值分解的性质与应用
1.奇异值分解可以降维 A表示 n个 m 维向量，可以通过奇异值 分解表示成 远小于
r m n 维向量 个 .若A的秩 r 远
m 和 ,n 则通过奇异值分解可以降低 mn A的维数.可以计算出，当 r 时， m n 1