奇异值
2019-07-04 本文已影响27人
9933fdf22087
简述:如果是方阵,则可以通过特征值分解(EVD)得到矩阵的特征参数(特征值与特征向量)。对于非方阵则需要用到奇异值分解。
理解:假设是一个的矩阵,得到的是一个的方阵(里面的向量是正交的,里面的向量称为左奇异向量),是一个的矩阵(除了对角线的元素都是0,对角线上的元素称为奇异值)是一个的矩阵,里面的向量也是正交的(里面的向量称为右奇异向量)
做法:将该矩阵与其转置矩阵相乘得到一个方阵,接着用这个方阵求特征值可以得到。这里得到的就是上面的右奇异向量,此外,我们可以得到:
,。
这里的就是上面说的奇异值。就是上面的左奇异向量。奇异值跟特征值相似,在矩阵中也是按从大到小的方式排列,而且的值减小的特别的快,在很多的情况下前10%甚至1%的奇异值之和就占了全部奇异值之和的99%以上。也就是说可以用前r个大的奇异值来近似的描述矩阵,这里定义奇异值的分解:
r远小于m与n,当然越接近得出的矩阵越接近于原来的矩阵A