线性代数笔记30

2019-03-28 本文已影响0人大飞哥

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
这两个就是

image.png

线性代数笔记30

奇异值分解

SVD

猜你喜欢

热点阅读