用 GSL 求解超定方程组及矩阵的奇异值分解(SVD)

用 GSL 求解超定方程组及矩阵的奇异值分解(SVD)

最近在学习高动态图像（HDR）合成的算法，其中需要求解一个超定方程组，因此花了点时间研究了一下如何用 GSL 来解决这个问题。

GSL 里是有最小二乘法拟合（Least-Squares Fitting）的相关算法，这些算法的声明在 gsl_fit.h 中，所以直接用 GSL 提供的 gsl_fit_linear 函数就能解决这个问题。不过我想顺便多学习一些有关 SVD 的知识。所以就没直接使用 gsl_fit_linear 函数。

SVD 分解的一些基本概念

关于 SVD 有两篇不错的科普文：

A Singularly Valuable Decomposition: The SVD of a Matrix

We Recommend a Singular Value Decomposition

建议大家找来读读，这两篇文章似乎都已经有人翻译成中文了。

所谓 SVD，就是把一个矩阵 分解为三个特殊矩阵 、、 的乘积。

上面式子中的 表示矩阵的转置。分解之后的这三个矩阵还要满足些特殊条件，其中 和 是正交矩阵，也就是满足：

矩阵 是对角矩阵，只有主对角线上的元素非 。

因为矩阵 、、 的都具有很好的性质，所以这样的分解可以更好的帮助我们了解原始矩阵 的性质。

举例来说，如果矩阵 是个满秩方阵，那么 是可逆的。 的逆可以写为:

这里 和 因为是正交矩阵，所以 ， 。 是对角矩阵，求逆也很简单，就是把主对角线上每个元素取个倒数而已。

GSL 中的相关函数

gsl 中提供了好几个函数来计算 SVD：

gsl_linalg_SV_decomp 这个是最基本的，使用 Golub-Reinsch SVD 算法，一般我们用这个就够了。

gsl_linalg_SV_decomp_mod 这个是改进后的 Golub-Reinsch SVD 算法，当 时比 Golub-Reinsch SVD 算法要快。

gsl_linalg_SV_decomp_jacobi 这个算法用到了 Jacobi 正交化，号称计算结果比 Golub-Reinsch SVD 算法要更准确。

除此之外，还有个 gsl_linalg_SV_solve 函数。这个就是利用 SVD 的结果来求解线性代数方程组的。

把这几个函数组合一下就可以合成一个求解线性代数方程组 的函数了。

下面是函数代码：

void linearSolve_SVD(const gsl_matrix * A, const gsl_vector * b, gsl_vector * x)
{
int rows = A->size1;
int cols = A->size2;
gsl_vector * work = gsl_vector_alloc (cols);
gsl_vector * S = gsl_vector_alloc (cols);
gsl_matrix * U = gsl_matrix_alloc(rows, cols);;
gsl_matrix * V = gsl_matrix_alloc(cols, cols);

gsl_matrix_memcpy (U, A); // 为了不破坏 A 中原始的数据，这里全都拷贝到 U 中

gsl_linalg_SV_decomp( U, V, S, work );
gsl_linalg_SV_solve ( U, V, S, b, x );

gsl_vector_free(work);
gsl_vector_free(S);
gsl_matrix_free(V);
gsl_matrix_free(U);
}

当 是满秩方阵时，计算出来的 就是我们一般意义上的方程的解。

下面举一个具体的例子：

下面是测试代码：

void test1()
{
double a_data[] = {1.4, 2.1, 2.1, 7.4, 9.6,
1.6, 1.5, 1.1, 0.7, 5.0,
3.8, 8.0, 9.6, 5.4, 8.8,
4.6, 8.2, 8.4, 0.4, 8.0,
2.6, 2.9, 0.1, 9.9, 7.7};
gsl_matrix_view A = gsl_matrix_view_array (a_data, 5, 5);

double b_data[] = {1.1, 1.6, 4.7, 9.1, 0.1};
gsl_vector_view b = gsl_vector_view_array (b_data, 5);

gsl_vector * x = gsl_vector_alloc (5);

linearSolve_SVD(&A.matrix, &b.vector, x);
gsl_vector_fprintf (stdout, x, "%f");

qDebug() << "";
gsl_vector * bb = gsl_vector_alloc (5);
gsl_blas_dgemv (CblasNoTrans, 1, &A.matrix, x, 0, bb);

gsl_vector_fprintf (stdout, bb, "%f");
}

输出结果如下：

-5.208566

5.736694

-2.537472

-1.029814

0.968151

1.100000

1.600000

4.700000

9.100000

0.100000

可以看出计算结果还是很准确的。

当 的行数大于列数时求得的是最小二乘意义下的解，也就是 最小的解。下面给个例子：

测试代码如下：

void test3()
{
double a_data[] = {2, 4,
3, -5,
1, 2};
gsl_matrix_view A = gsl_matrix_view_array (a_data, 3, 2);

double b_data[] = {11, 3, 6};
gsl_vector_view b = gsl_vector_view_array (b_data, 3);

gsl_vector * x = gsl_vector_alloc (2);

linearSolve_SVD(&A.matrix, &b.vector, x);
gsl_vector_fprintf (stdout, x, "%f");

qDebug() << "";
gsl_vector * bb = gsl_vector_alloc (3);
gsl_blas_dgemv (CblasNoTrans, 1, &A.matrix, x, 0, bb);

gsl_vector_fprintf (stdout, bb, "%f");
}

计算结果如下：

3.090909

1.254545

11.200000

3.000000

5.600000

如果 不满秩，那么 是不唯一的。这时算出来的其中一个解。 下面给个例子：

方程很简单，口算就可以出结果，这个方程的解是：

下面用我们的代码计算一下。

void test4()
{
double a_data[] = {1, 2,
2, 4};
gsl_matrix_view A = gsl_matrix_view_array (a_data, 2, 2);

double b_data[] = {3, 6};
gsl_vector_view b = gsl_vector_view_array (b_data, 2);

gsl_vector * x = gsl_vector_alloc (2);

linearSolve_SVD(&A.matrix, &b.vector, x);
gsl_vector_fprintf (stdout, x, "%f");

qDebug() << "";
gsl_vector * bb = gsl_vector_alloc (2);
gsl_blas_dgemv (CblasNoTrans, 1, &A.matrix, x, 0, bb);

gsl_vector_fprintf (stdout, bb, "%f");
}

结果是：

-3.400000

3.200000

3.000000

6.000000

可以验算， 确实是方程的一个解。其实用 SVD 我们可以求出方程的全部解的，但是我们需要 和 的值，所以上面的 linearSolve_SVD 函数就不够用了。

下面我们将 SVD 相关的功能封装成一个类，以方便我们提取 和 的值。

另外，当我们一个 有多组 需要求解时，也只需要计算一次 SVD 分解，用下面的类能减少很多计算量。

头文件如下：

#ifndef GSLSINGULARVALUEDECOMPOSITION_H
#define GSLSINGULARVALUEDECOMPOSITION_H

#include <gsl/gsl_matrix.h>
#include <gsl/gsl_vector.h>
#include <gsl/gsl_blas.h>
#include <gsl/gsl_linalg.h>
#include <gsl/gsl_errno.h>

void linearSolve_SVD(const gsl_matrix * A, const gsl_vector * b, gsl_vector * x);

class GslSVD
{
public:
GslSVD();
~GslSVD();
int SV_decomp(const gsl_matrix * A);
int SV_decomp_mod(const gsl_matrix * A);
int SV_decomp_jacobi (gsl_matrix * A);
int SV_solve(const gsl_vector *b, gsl_vector *x);

gsl_vector * getVectorS();
gsl_matrix * getMatrixU();
gsl_matrix * getMatrixV();

int trimVectorS(double abseps);
private:
gsl_vector * S;
gsl_matrix * U;
gsl_matrix * V;

void alloc_suv(int rows, int cols);
};

#endif // GSLSINGULARVALUEDECOMPOSITION_H

cpp 文件如下:

#include "gsl_SVD.h"

void linearSolve_SVD(const gsl_matrix * A, const gsl_vector * b, gsl_vector * x)
{
int rows = A->size1;
int cols = A->size2;
gsl_vector * work = gsl_vector_alloc (cols);
gsl_vector * S = gsl_vector_alloc (cols);
gsl_matrix * U = gsl_matrix_alloc(rows, cols);;
gsl_matrix * V = gsl_matrix_alloc(cols, cols);

gsl_matrix_memcpy (U, A); // 为了不破坏 A 中原始的数据，这里全都拷贝到 U 中

gsl_linalg_SV_decomp( U, V, S, work );
gsl_linalg_SV_solve ( U, V, S, b, x );

gsl_vector_free(work);
gsl_vector_free(S);
gsl_matrix_free(V);
gsl_matrix_free(U);
}
int GslSVD::trimVectorS(double abseps)
{
int count = 0;
for(int i = 0; i < S->size; i++)
{
if(fabs(gsl_vector_get(S, i)) < abseps)
{
count ++;
gsl_vector_set(S, i, 0);
}
}
return count;
}

gsl_vector * GslSVD::getVectorS()
{
if(S == NULL) return NULL;
gsl_vector * s = gsl_vector_alloc(S->size);
gsl_vector_memcpy(s, S);
return s;
}

gsl_matrix * GslSVD::getMatrixU()
{
if(U == NULL) return NULL;
gsl_matrix * u = gsl_matrix_alloc(U->size1, U->size2);
gsl_matrix_memcpy(u, U);
return u;
}

gsl_matrix * GslSVD::getMatrixV()
{
if(V == NULL) return NULL;
gsl_matrix * v = gsl_matrix_alloc(V->size1, V->size2);
gsl_matrix_memcpy(v, V);
return v;
}

GslSVD::GslSVD()
{
S = NULL;
U = NULL;
V = NULL;
}

void GslSVD::alloc_suv(int rows, int cols)
{
if( S != NULL )
{
gsl_vector_free(S);
gsl_matrix_free(U);
gsl_matrix_free(V);
}
S = gsl_vector_alloc (cols);
U = gsl_matrix_alloc(rows, cols);
V = gsl_matrix_alloc(cols, cols);
}

int GslSVD::SV_decomp(const gsl_matrix * A)
{
int rows = A->size1;
int cols = A->size2;

gsl_vector * work = gsl_vector_alloc (cols);

alloc_suv(rows, cols);
gsl_matrix_memcpy (U, A); // 为了不破坏 A 中原始的数据，这里全都拷贝到 U 中
int ret = gsl_linalg_SV_decomp( U, V, S, work );

gsl_vector_free(work);

return ret;
}

int GslSVD::SV_decomp_mod(const gsl_matrix * A)
{
int rows = A->size1;
int cols = A->size2;

gsl_vector * work = gsl_vector_alloc (cols);
gsl_matrix *X = gsl_matrix_alloc(cols, cols);

alloc_suv(rows, cols);
gsl_matrix_memcpy (U, A); // 为了不破坏 A 中原始的数据，这里全都拷贝到 U 中
int ret = gsl_linalg_SV_decomp_mod( U, X, V, S, work );

gsl_matrix_free(X);
gsl_vector_free(work);

return ret;
}

int GslSVD::SV_decomp_jacobi (gsl_matrix * A)
{
int rows = A->size1;
int cols = A->size2;
alloc_suv(rows, cols);
gsl_matrix_memcpy (U, A); // 为了不破坏 A 中原始的数据，这里全都拷贝到 U 中
int ret = gsl_linalg_SV_decomp_jacobi( U, V, S );
return ret;
}

int GslSVD::SV_solve(const gsl_vector *b, gsl_vector *x)
{
if(U != NULL)
{
return gsl_linalg_SV_solve (U, V, S, b, x);
}
return -1;
}

GslSVD::~GslSVD()
{
if(S != NULL)
{
gsl_vector_free(S);
gsl_matrix_free(V);
gsl_matrix_free(U);
}
}

下面用这个类来计算一下刚才的问题：

void test5()
{
double a_data[] = {1, 2,
2, 4};
gsl_matrix_view A = gsl_matrix_view_array (a_data, 2, 2);
GslSVD svd;
svd.SV_decomp(&A.matrix);

puts("S = ");
gsl_vector_fprintf (stdout, svd.getVectorS(), "%f");

puts("\nV = ");
gsl_matrix_fprintf (stdout, svd.getMatrixV(), "%f");

double b_data[] = {3, 6};
gsl_vector_view b = gsl_vector_view_array (b_data, 2);
gsl_vector * x = gsl_vector_alloc (2);
svd.SV_solve(b, x);

puts("\nx = ");
gsl_vector_fprintf (stdout, x, "%f");
}

结果如下：

S =

5.000000

0.000000

V =

-0.447214

-0.894427

-0.894427

0.447214

x =

-3.400000

3.200000

我们注意到 的第二个元素是 ，这表明 的对应列（第二列）是方程解的自由向量。所以我们方程的解可以写为：

大家可以验证一下，这个解是正确的。

另外，我写的类中还提供了一个 trimVectorS(double abseps) 函数，利用这个函数，可以将 所有小于 abseps 的项直接替换为 。之所以提供了这个函数，是因为由于计算误差等的影响， 中一些本应该是 的项可能计算出的结果不是 。用这个函数就可以解决这个问题。还有些矩阵，条件数很大，方程呈现病态，用这个函数也能解决些问题。

好了，就先写这么多。希望对大家有用。