Сингулярное разложение (англ. Singular Value Decomposition) — декомпозиция вещественной матрицы с целью ее приведения к каноническому виду.
| Теорема (Сингулярное разложение): |
У любой матрицы [math] A [/math] размера [math] n \times m [/math] существует разложение на матрицы [math] U, \Sigma, V^T [/math]: [math] A_{n \times m} = U_{n \times n} \times \Sigma_{n \times m} \times V^T_{m \times m} [/math].
|
| Определение: |
SVD (англ. Singular Value Decomposition) — у любой матрицы [math] A [/math] размера [math] n \times m [/math] существует разложение на матрицы [math] U, \Sigma, V^T [/math]: [math] A_{n \times m} = U_{n \times n} \times \Sigma_{n \times m} \times V^T_{m \times m} [/math].
|
Свойства
Пусть [math] F [/math] — [math] l \times n [/math] матрица. Тогда [math] F [/math] можно представить в следующем виде:
[math] F = V D U^T [/math].
Основные свойства сингулярного разложения:
- [math] l \times n [/math]-матрица [math] V = (v_1, \dots, v_n) [/math] ортогональна, [math] V^T V = I_n [/math],
столбцы [math] v_j [/math] — собственные векторы матрицы [math] F F^T [/math];
- [math] n \times n [/math]-матрица [math] U = (u_1, \dots, u_n) [/math] ортогональна, [math] U^T U = I_n [/math],
столбцы [math] u_j [/math] — собственные векторы матриц [math] F^T F [/math];
- [math] n \times n [/math]-матрица [math] D [/math] диагональна, [math] D = diag(\sqrt{\lambda_1}, \dots, \sqrt{\lambda_n}) [/math],
[math] \lambda_j \geq 0 [/math] — собственные значения матриц [math] F^T F [/math] и [math] F F^T [/math],
[math] \sqrt{ \lambda_j } [/math] — сингулярные числа матрицы [math] F [/math].
