奇异值分解(SVD)产生3个矩阵,这3个矩阵的乘积等于矩阵A(可以不是方阵),即
A=UΣVT (7.28)
式中,U满足UTU=I,且U的列是AAT的正交归一化特征向量;V满足VTV=I,且V的列是ATA的正交归一化特征向量;而Σ是一个对角矩阵,对角线元素包含了与U(或V)相对应的特征值的平方根,且按降序排列。
SVD既可以用QR法也可以用Arnoldi法实现,目的是求矩阵ATA和AAT的特征值和特征向量。一旦求出特征值,奇异值便是对应的平方根。矩阵的条件数是度量矩阵可逆性程度的一个指标,定义为该矩阵的最大奇异值与最小奇异值之比。条件数大意味着矩阵接近奇异。
例7.6 对A进行奇异值分解
解7.6 矩阵A是一个4×5矩阵,因此U是一个4×4矩阵,Σ是一个对角线上有4个奇异值且最后一列为0的4×5矩阵,而V是一个5×5矩阵。
首先令
得到
再用QR法计算的特征值和特征向量,得到
矩阵Σ的对角线元素是奇异值,等于的特征值的平方根,而且维度必然和A一样,因此有
类似地,令重复上面步骤,可以得到U:
奇异值分解除了应用于条件数计算外,另一种常见的应用是求非方阵A的伪逆矩阵A+。最常见的伪逆矩阵是Moore-Penrose伪逆矩阵,这是一种被称为1-逆矩阵的一般性意义上的伪逆矩阵的一个特例。伪逆矩阵通常被用来求解最小二乘问题Ax=b,其中A是奇异矩阵或非方阵。根据6.1节的结果,最小二乘问题的解为
x=(ATA)-1Ab(www.xing528.com)
=A+b
矩阵A+可以通过LU分解得到,但更常用的方法是采用奇异值分解得到。若采用奇异值分解方法,伪逆矩阵由下式给出:
A+=VΣ+UT (7.29)
式中,Σ+是一个和AT具有相同维度的对角阵,且其对角线元素为奇异值的倒数。
例7.7 使用伪逆矩阵法求解例6.1。
解7.7 为方便起见,将该方程重新写出如下:
采用伪逆矩阵法求解
使用奇异值分解得
矩阵Σ+为
从而得到A+
结果与例6.1相同。
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。