更改

SVD还能为矩阵 <math>\mathbf{M}</math> 的值域和零空间提供明确表示。<math>\mathbf{M}</math> 零奇异值对应的右奇异向量张成（span）其零空间，非零奇异值对应的左奇异向量张成其值域。例如，在前面的例子中，零空间由 <math>\mathbf{V}^*</math> 的最后一行张成，值域由 <math>\mathbf{U}</math> 的前三列张成。

SVD还能为矩阵 <math>\mathbf{M}</math> 的值域和零空间提供明确表示。<math>\mathbf{M}</math> 零奇异值对应的右奇异向量张成（span）其零空间，非零奇异值对应的左奇异向量张成其值域。例如，在前面的例子中，零空间由 <math>\mathbf{V}^*</math> 的最后一行张成，值域由 <math>\mathbf{U}</math> 的前三列张成。

因此，<math>\mathbf{M}</math> 的秩等于非零奇异值的个数，也就是 <math>\mathbf{\Sigma}</math> 中非零对角元素的个数。在数值线性代数中，我们可以用奇异值确定矩阵的有效秩，因为舍入误差（rounding error）可能导致秩亏矩阵出现小但非零的奇异值。我们通常认为超过显著间隙的奇异值在数值上等同于零。

因此，<math>\mathbf{M}</math> 的秩等于非零奇异值的个数，也就是 <math>\mathbf{\Sigma}</math> 中非零对角元素的个数。在数值线性代数中，我们可以用奇异值确定矩阵的有效秩，因为舍入误差（rounding error）可能导致秩亏矩阵（rank deficiency matrix）出现小但非零的奇异值。我们通常认为超过显著间隙的奇异值在数值上等同于零。

===低秩矩阵近似===

===低秩矩阵近似===