摘要
SVD分解、伪逆
正文
SVD分解
矩阵可以分解为特征值和特征向量,有关特征分解的一些结论见线代一些有用基本概念及结论。但不是所有的矩阵都能够进行特征分解,如非方阵就不行。另外一种分解矩阵的方式称为奇异值分解,所有矩阵都能够进行奇异值分解。
奇异值分解将矩阵分解为3个部分:其中,
是正交阵,称为左、右奇异向量,分别由
和
的特征向量构成;
是对角阵,对角线上的元素称为奇异值,是
(
)的特征值的平方根。
伪逆
对于一些矩阵没有逆,可以使用伪逆替代。
伪逆定义为:
实际计算时,使用:,
是SVD分解时得到的,
是
其非零元素取倒数后再转置得到的。
当矩阵的列数多于行数时,
是方程可行解中
最小的;当矩阵
的列数小于行数时,通过伪逆得到的
使得
最小。
参考资料
[1] Goodfellow.深度学习[M].人民邮电出版社,2017.