线性代数笔记30

奇异值分解

SVD

不用S^{-1}AS特征值分解的原因，是因为它由三个问题:
1,特征值矩阵常常不是正交的
2,总是没有足够的特征向量
3,Ax=\lambda x需要A是方阵

奇异值矩阵能解决以上三个问题

A\begin{bmatrix}v_1&v_2&...&v_r \end{bmatrix}=\begin{bmatrix}u_1&u_2&...&u_r \end{bmatrix} \begin{bmatrix} \sigma_1&&&\\& \sigma_2&& \\&& \ddots & \\ &&& \sigma_r \end{bmatrix}
AV=U\Sigma \\ A=U \Sigma V^{-1}=U\Sigma V^T \\ A^TA=V\Sigma^TU^TU\Sigma V^T=V\Sigma^T \Sigma V^T=V \begin{bmatrix} \sigma_1^2&&&\\& \sigma_2^2&& \\&& \ddots & \\ &&& \sigma_r^2 \end{bmatrix} V^T
V,U都是标准正交矩阵
例子

image.png

image.png

A^TA
的特征值和特征矩阵
image.png

这两个就是
v_1,v_2

AA^T
则可以找到
u_1,u_2

则 矩阵A可以这么分解
image.png

©著作权归作者所有,转载或内容合作请联系作者
平台声明：文章内容（如有图片或视频亦包括在内）由作者上传并发布，文章内容仅代表作者本人观点，简书系信息发布平台，仅提供信息存储服务。

推荐阅读更多精彩内容