2,469
个编辑
更改
跳到导航
跳到搜索
第1行：
第1行： − +
无编辑摘要
[[文件:Singular-Value-Decomposition.svg.png|无框|右|奇异值分解]]
[[文件:Singular-Value-Decomposition.svg.png|无框|右|奇异值分解]]
在线性代数中，'''<font color="#ff8000">奇异值分解 Singular value decomposition</font>'''是一种通过旋转、缩放和再次旋转来因式分解[['''实矩阵 real matrix ''']]或[['''复矩阵 complex matrix ''']]的方法。它把具有[['''正交特征基 orthonormal eigenbasis ''']]的方阵[['''特征分解 eigendecomposition ''']]推广到任意 <math>m \times n</math> 矩阵，并与[['''极分解 polar decomposition ''']]密切相关。
在线性代数中，'''<font color="#ff8000">奇异值分解 Singular value decomposition</font>'''是一种通过旋转、缩放和再次旋转来因式分解'''[[实矩阵]] real matrix '''或[['''复矩阵 complex matrix ''']]的方法。它把具有[['''正交特征基 orthonormal eigenbasis ''']]的方阵[['''特征分解 eigendecomposition ''']]推广到任意 <math>m \times n</math> 矩阵，并与[['''极分解 polar decomposition ''']]密切相关。
具体而言，我们可以将一个 <math>m \times n</math> 复矩阵 <math>\mathbf{M}</math> 分解为 <math>\mathbf{M} = \mathbf{U\Sigma V^*}</math>。这里，<math>\mathbf{U}</math> 是 <math>m \times m</math>[[ '''复酉矩阵 complex unitary matrix ''']]，<math>\mathbf{\Sigma}</math> 是 <math>m \times n</math>[[ '''矩形对角矩阵 rectangular diagonal matrix ''']]，其对角线元素为非负实数，<math>\mathbf{V}</math> 是 <math>n \times n</math> 复酉矩阵，而 <math>\mathbf{V}^*</math> 是 <math>\mathbf{V}</math> 的[['''共轭转置 conjugate transpose ''']]。这种分解适用于任何复矩阵。若 <math>\mathbf{M}</math> 为实矩阵，则 <math>\mathbf{U}</math> 和 <math>\mathbf{V}</math> 必为实[['''正交矩阵 real orthogonal matrices ''']]；此时，我们通常将SVD表示为 <math>\mathbf{M} = \mathbf{U\Sigma V}^{\mathrm{T}}</math>。
具体而言，我们可以将一个 <math>m \times n</math> 复矩阵 <math>\mathbf{M}</math> 分解为 <math>\mathbf{M} = \mathbf{U\Sigma V^*}</math>。这里，<math>\mathbf{U}</math> 是 <math>m \times m</math>[[ '''复酉矩阵 complex unitary matrix ''']]，<math>\mathbf{\Sigma}</math> 是 <math>m \times n</math>[[ '''矩形对角矩阵 rectangular diagonal matrix ''']]，其对角线元素为非负实数，<math>\mathbf{V}</math> 是 <math>n \times n</math> 复酉矩阵，而 <math>\mathbf{V}^*</math> 是 <math>\mathbf{V}</math> 的[['''共轭转置 conjugate transpose ''']]。这种分解适用于任何复矩阵。若 <math>\mathbf{M}</math> 为实矩阵，则 <math>\mathbf{U}</math> 和 <math>\mathbf{V}</math> 必为实[['''正交矩阵 real orthogonal matrices ''']]；此时，我们通常将SVD表示为 <math>\mathbf{M} = \mathbf{U\Sigma V}^{\mathrm{T}}</math>。