全球专业中文经管百科,由121,994位网友共同编写而成,共计436,015个条目

奇異值分解

用手机看条目

出自 MBA智库百科(https://wiki.mbalib.com/)

奇異值分解(Singular Value Decomposition)

目錄

什麼是奇異值分解

  奇異值分解是線性代數中一種重要的矩陣分解,在信號處理、統計學等領域有重要應用。奇異值分解在某些方面與對稱矩陣或Hermitian矩陣基於特征矢量的對角化類似。然而這兩種矩陣分解儘管有其相關性,但還是有明顯的不同。對稱陣特征矢量分解的基礎是譜分析,而奇異值分解則是譜分析理論在任意矩陣上的推廣。

理論描述

  假設M是一個m×n階矩陣,其中的元素全部屬於域K,也就是實數域或複數域。如此則存在一個分解使得

  M = U  \Sigma V^*, \,

  其中Um×m階酉矩陣;Σ是m×n階實數對角矩陣;而V*,即V的共軛轉置,是n×n階酉矩陣。這樣的分解就稱作M的奇異值分解。Σ對角線上的元素Σi,i即為M的奇異值。

  常見的做法是將奇異值由大而小排列。如此Σ便能由M唯一確定了。(雖然UV仍然不能確定。)

直觀的解釋

  在矩陣M的奇異值分解中

  M = U\Sigma V^*, \,

   V的列(columns)組成一套對M\,的正交"輸入"或"分析"的基矢量。這些矢量是M^*\,M的特征矢量。

  U的列(columns)組成一套對M\,的正交"輸出"的基矢量。這些矢量是MM^*\,的特征矢量。

  Σ對角線上的元素是奇異值,可視為是在輸入與輸出間進行的純量的"膨脹控制"。這些是MM^*\,M^*\,M的特征值的非零平方根,並與UV的行矢量相對應。

奇異值和奇異矢量,以及他們與奇異值分解的關係

  一個非負實數σ是M的一個奇異值僅當存在Km的單位矢量uKn的單位矢量v如下:

  Mv = σu and M * u = σv

  其中矢量uv分別為σ的左奇異矢量和右奇異矢量。

  對於任意的奇異值分解

  M = U\Sigma V^{*} \,\!

  矩陣Σ的對角線上的元素等於M的奇異值. UV的列分別是奇異值中的左、右奇異矢量。因此,上述定理表明:

  一個m×n的矩陣至少有一個最多有p = min(m,n)個不同的奇異值;

  總能在Km中找到由M的左奇異矢量組成的一組正交基U,;

  總能在Kn找到由M的右奇異矢量組成的一組正交基V,。

  如果對於一個奇異值,可以找到兩組線性無關的左(右)奇異矢量,則該奇異值稱為簡並的(或退化的)。

  非退化的奇異值在最多相差一個相位因數exp(iφ)(若討論限定在實數域內,則最多相差一個正負號)的意義下具有唯一的左、右奇異矢量。因此,如果M的所有奇異值都是非退化且非零,則除去一個可以同時乘在U,V上的任意的相位因數外,M的奇異值分解唯一。

  根據定義,退化的奇異值具有不唯一的奇異矢量。因為,如果u1u2為奇異值σ的兩個左奇異矢量,則它們的任意歸一化線性組合也是奇異值σ一個左奇異矢量,右奇異矢量也具有類似的性質。因此,如果M具有退化的奇異值,則它的奇異值分解是不唯一的。

例子

  觀察一個4×5的矩陣

M = \begin{bmatrix} 1 & 0 & 0 & 0 & 2\\ 0 & 0 & 3 & 0 & 0\\ 0 & 0 & 0 & 0 & 0\\ 0 & 4 & 0 & 0 & 0\end{bmatrix}.

M矩陣的奇異值分解如下UΣV *

U = \begin{bmatrix} 0 & 0 & 1 & 0\\ 0 & 1 & 0 & 0\\ 0 & 0 & 0 & 1\\ 1 & 0 & 0 & 0\end{bmatrix} ,\;  \Sigma = \begin{bmatrix} 4 & 0 & 0 & 0 & 0\\ 0 & 3 & 0 & 0 & 0\\ 0 & 0 & \sqrt{5} & 0 & 0\\ 0 & 0 & 0 & 0 & 0\end{bmatrix} ,\;  V^* = \begin{bmatrix} 0 & 1 & 0 & 0 & 0\\ 0 & 0 & 1 & 0 & 0\\ \sqrt{0.2} & 0 & 0 & 0 & \sqrt{0.8}\\ 0 & 0 & 0 & 1 & 0\\ \sqrt{0.8} & 0 & 0 & 0 & -\sqrt{0.2}\end{bmatrix}.

  註意矩陣Σ的所有非對角元為0。矩陣UV * 都是酉矩陣,它們乘上各自的共軛轉置都得到單位矩陣。如下所示。在這個例子中,由於UV * 都是實矩陣,故它們都是正交矩陣。

U  U^* = \begin{bmatrix} 0 & 0 & 1 & 0\\ 0 & 1 & 0 & 0\\ 0 & 0 & 0 & 1\\ 1 & 0 & 0 & 0\end{bmatrix}  \cdot  \begin{bmatrix} 0 & 0 & 0 & 1\\ 0 & 1 & 0 & 0\\ 1 & 0 & 0 & 0\\ 0 & 0 & 1 & 0\end{bmatrix}  =  \begin{bmatrix} 1 & 0 & 0 & 0\\ 0 & 1 & 0 & 0\\ 0 & 0 & 1 & 0\\ 0 & 0 & 0 & 1\end{bmatrix}  \equiv I_4
V  V^* = \begin{bmatrix} 0 & 0 & \sqrt{0.2} & 0 & \sqrt{0.8}\\ 1 & 0 & 0 & 0 & 0\\ 0 & 1 & 0 & 0 & 0\\ 0 & 0 & 0 & 1 & 0\\ 0 & 0 & \sqrt{0.8} & 0 & -\sqrt{0.2} \end{bmatrix} \cdot \begin{bmatrix} 0 & 1 & 0 & 0 & 0\\ 0 & 0 & 1 & 0 & 0\\ \sqrt{0.2} & 0 & 0 & 0 & \sqrt{0.8}\\ 0 & 0 & 0 & 1 & 0\\ \sqrt{0.8} & 0 & 0 & 0 & -\sqrt{0.2}\end{bmatrix} = \begin{bmatrix} 1 & 0 & 0 & 0 & 0\\ 0 & 1 & 0 & 0 & 0\\ 0 & 0 & 1 & 0 & 0\\ 0 & 0 & 0 & 1 & 0\\ 0 & 0 & 0 & 0 & 1\end{bmatrix}  \equiv I_5.

  由於Σ有一個對角元是零,故這個奇異值分解值不是唯一的。例如,選擇V使得

V^* = \begin{bmatrix} 0 & 1 & 0 & 0 & 0\\ 0 & 0 & 1 & 0 & 0\\ \sqrt{0.2} & 0 & 0 & 0 & \sqrt{0.8}\\ \sqrt{0.4} & 0 & 0 & \sqrt{0.5} & -\sqrt{0.1}\\ -\sqrt{0.4} & 0 & 0 & \sqrt{0.5} & \sqrt{0.1} \end{bmatrix}

能得到M的另一個奇異值分解。

奇異值分解與特征值分解的聯繫

  奇異值分解能夠用於任意m\times n矩陣,而特征分解只能適用於特定類型的方陣,故奇異值分解的適用範圍更廣。不過,這兩個分解之間是有關聯的。給定一個M的奇異值分解,根據上面的論述,兩者的關係式如下:

M^{*} M = V \Sigma^{*} U^{*}\, U \Sigma V^{*} = V (\Sigma^{*} \Sigma) V^{*}\,
M M^{*} = U \Sigma V^{*} \, V \Sigma^{*} U^{*} = U (\Sigma \Sigma^{*}) U^{*}\,

  關係式的右邊描述了關係式左邊的特征值分解。於是:

  V的列矢量(右奇異矢量)是M * M的特征矢量。

  U的列矢量(左奇異矢量)是MM * 的特征矢量。

  Σ的非零對角元(非零奇異值)是M * M或者MM * 的非零特征值的平方根。

  特殊情況下,當M是一個正規矩陣(因而必須是方陣)根據譜定理,M可以被一組特征矢量對角化,所以它可以表為:

  M = UDU *

  其中U為一個酉矩陣,D為一個對角陣。如果M是半正定的,M = UDU * 的分解也是一個奇異值分解。

  然而,一般矩陣的特征分解跟奇異值分解不同。特征分解如下:

  M = UDU − 1

  其中U是不需要是酉的,D也不需要是半正定的。而奇異值分解如下:

  M = UΣV *

  其中Σ是對角半正定矩陣,UV是酉矩陣,兩者除了通過矩陣M沒有必然的聯繫。

奇異值分解的應用

  奇異值分解可以被用來計算矩陣的偽逆。若矩陣M的奇異值分解為M = UΣV * ,那麼M的偽逆為

M^+ = V \Sigma^+ U^*, \,

  其中Σ + Σ的偽逆,是將Σ主對角線上每個非零元素都求倒數之後再轉置得到的。求偽逆通常可以用來求解最小二乘法問題。

  奇異值分解的另一個應用是給出矩陣的行空間與列空間|列空間、零空間和秩 (線性代數)|秩的表示。對角矩陣Σ的非零對角元素的個數對應於矩陣M的秩。與零奇異值對應的右奇異矢量線性生成空間|生成矩陣M的零空間,與非零奇異值對應的左奇異矢量則生成矩陣M的列空間。線上性代數數值計算中奇異值分解一般用於確定矩陣的有效秩,這是因為,由於舍入誤差,秩虧矩陣的零奇異值可能會表現為很接近零的非零值。

本條目對我有幫助9
MBA智库APP

扫一扫,下载MBA智库APP

分享到:
  如果您認為本條目還有待完善,需要補充新內容或修改錯誤內容,請編輯條目投訴舉報

本条目由以下用户参与贡献

Tracy.

評論(共0條)

提示:評論內容為網友針對條目"奇異值分解"展開的討論,與本站觀點立場無關。

發表評論請文明上網,理性發言並遵守有關規定。

打开APP

以上内容根据网友推荐自动排序生成

官方社群
下载APP

闽公网安备 35020302032707号