清华大学公开课线性代数2——第3讲:奇异值分解
2017-12-20 20:52
267 查看
此博客停止更新迁移至SnailDove’s Blog,查看本文点击此处
笔记源自:清华大学公开课:线性代数2——第3讲:奇异值分解
提示:如果文中图片看不清文字,请右键单击鼠标,选择在新窗口打开图片,然后放大图片(这边上传之前都是可以看清的,由于网页正文部分大小固定,因此图片被自动缩小以便适配网页),截图部分是课堂ppt老师随手的板书。
前言
AAT与ATA的特性
AAT与ATA的特征值
AAT与ATA非0特征值集合
ATA与AAT的特征向量
从AAT得出SVD
SVD形式
例题
svd几何意义
svd应用
svd与矩阵的四个基本子空间
svd与图像压缩
奇异值与特征值关系
奇异值与奇异矩阵
线性代数中最重要的一类矩阵分解即奇异值分解,从而回答以上的问题。对角矩阵是我们最喜欢的一类矩阵,因为给定一个对角阵立即就可以得到它的特征值,行列式,幂和指数函数等等。对角矩阵的运算跟我们熟悉的数的运算有很多相似之处,而一个n阶的矩阵相似于对角阵当且仅当它存在着n个线性无关的特征向量。
![](https://oscdn.geek-share.com/Uploads/Images/Content/201712/20/f55154f22bb80fb979eaf72626f1e667)
特别地,实对称矩阵一定会正交相似于对角阵,也就是说给你一个实对称矩阵,一定存在着正交矩阵QQ把它的列向量记成v1v1到vnvn,它能够满足QTAQQTAQ等于λλ,λλ是一个对角阵,它的对角元是AA的特征值,那么其中QQ的列向量vivi,它是矩阵AA的属于特征值,λiλi的特征向量,也就是满足AviAvi等于λiviλivi。我们现在有个问题是说,如果对于m×nm×n的一个矩阵,我们如何来”对角化”它。那么也就是说在什么意义上,我们能够尽可能地。把m×nm×n的一个矩形的阵向对角阵靠拢,今天我们来讨论矩阵的奇异值分解它是线性代数应用中,最重要的一类矩阵分解。
![](https://oscdn.geek-share.com/Uploads/Images/Content/201712/20/bb34387938235a59eca393fd8d2075df)
![](https://oscdn.geek-share.com/Uploads/Images/Content/201712/20/3857e48895060594ba419219d2282551)
![](https://oscdn.geek-share.com/Uploads/Images/Content/201712/20/39f26f36b729aedb4135538a9e021d6e)
令ui:=Aviσi∈Rm(1≤i≤r)ui:=Aviσi∈Rm(1≤i≤r),则 AATui=A(ATAviσi)=AATAviσi=Aσi2viσi=σi2Aviσi=σi2uiAATui=A(ATAviσi)=AATAviσi=Aσi2viσi=σi2Aviσi=σi2ui,得出:AATui=σi2uiAATui=σi2ui。又因为:uiTuj=AviTσiAvjσj=viT(ATAvj)σiσj=σj2viTvjσiσj=σjσiviTvj→uiTuj={0,1,i≠ji=juiTuj=AviTσiAvjσj=viT(ATAvj)σiσj=σj2viTvjσiσj=σjσiviTvj→uiTuj={0,i≠j1,i=j故:{ui|1≤i≤r}{ui|1≤i≤r} 是AATAAT的单位正交特征向量。
根据假设(v1,...,vnv1,...,vn是ATAATA的单位交基,σ21,...,σ2nσ12,...,σn2是AATAAT的特征值)得:ATAvi=σ2ivi(1≤i≤r)→vTiATAvi=vTiσ2ivi=σ2ivTivi→||Avi||2=σ2i→|Avi|=σiATAvi=σi2vi(1≤i≤r)→viTATAvi=viTσi2vi=σi2viTvi→||Avi||2=σi2→|Avi|=σi
由上式子得:UU是AA列空间的一组单位正交基,VV是ATAT的列空间的一组单位正交基。σiσi是AviAvi的长度,计⎛⎝⎜⎜⎜⎜⎜⎜σ1...σr⎞⎠⎟⎟⎟⎟⎟⎟(σ1...σr)为ΣΣ,得:Am×nVn×r=Um×rΣr×r→Am×n=Um×rΣr×rV−1r×n=Um×rΣr×rVTr×nAm×nVn×r=Um×rΣr×r→Am×n=Um×rΣr×rV−1r×n=Um×rΣr×rVTr×n
向量形式:A=∑ri=1σiuiviTA=∑i=1rσiuiviT
![](https://oscdn.geek-share.com/Uploads/Images/Content/201712/20/81f7a7ac5eeec5ff95ee90f5164687d5)
![](https://oscdn.geek-share.com/Uploads/Images/Content/201712/20/50aeafcc451bdbef88f7fc46920a9414)
![](https://oscdn.geek-share.com/Uploads/Images/Content/201712/20/7bae70ea5af8e17bb594ba0f87cc3b0b)
求u3u3两种方法:
方法1:AATu3=⎛⎝⎜10101−1⎞⎠⎟(10011−1)u3=⎛⎝⎜10101−11−12⎞⎠⎟u3=0u3→u3=13√⎛⎝⎜1−1−1⎞⎠⎟AATu3=(10011−1)(10101−1)u3=(10101−11−12)u3=0u3→u3=13(1−1−1)
方法2:uj:=⎛⎝⎜xyz⎞⎠⎟,∑r=3i=1uiuj=0(i≠j),||uj||2=1→uj=3=13√⎛⎝⎜1−1−1⎞⎠⎟uj:=(xyz),∑i=1r=3uiuj=0(i≠j),||uj||2=1→uj=3=13(1−1−1)
![](https://oscdn.geek-share.com/Uploads/Images/Content/201712/20/4a76ef0b53ad47842b8e627eb739fa4b)
![](https://oscdn.geek-share.com/Uploads/Images/Content/201712/20/b817db0c91a20a4457d1b4f36ef752ec)
![](https://oscdn.geek-share.com/Uploads/Images/Content/201712/20/771116f0f6ec2c38de102183ee3e5eae)
![](https://oscdn.geek-share.com/Uploads/Images/Content/201712/20/8f140deb30f546151425471dd7267b04)
![](https://oscdn.geek-share.com/Uploads/Images/Content/201712/20/e4a79a9d865825370f3ab5fcf3b38542)
笔记源自:清华大学公开课:线性代数2——第3讲:奇异值分解
提示:如果文中图片看不清文字,请右键单击鼠标,选择在新窗口打开图片,然后放大图片(这边上传之前都是可以看清的,由于网页正文部分大小固定,因此图片被自动缩小以便适配网页),截图部分是课堂ppt老师随手的板书。
目录
目录前言
AAT与ATA的特性
AAT与ATA的特征值
AAT与ATA非0特征值集合
ATA与AAT的特征向量
从AAT得出SVD
SVD形式
例题
svd几何意义
svd应用
svd与矩阵的四个基本子空间
svd与图像压缩
奇异值与特征值关系
奇异值与奇异矩阵
前言
对角矩阵是我们最喜欢的一类矩阵,对能够相似于对角阵的矩阵能方便地计算其幂和指数,对不能相似于对角阵的方阵。上节课我们讨论了如何求出其尽可能简单的相似标准形及Jordan标准形以上讨论的都是方阵。那么对m乘n的矩阵我们如何来对它进行对角化呢?线性代数中最重要的一类矩阵分解即奇异值分解,从而回答以上的问题。对角矩阵是我们最喜欢的一类矩阵,因为给定一个对角阵立即就可以得到它的特征值,行列式,幂和指数函数等等。对角矩阵的运算跟我们熟悉的数的运算有很多相似之处,而一个n阶的矩阵相似于对角阵当且仅当它存在着n个线性无关的特征向量。
特别地,实对称矩阵一定会正交相似于对角阵,也就是说给你一个实对称矩阵,一定存在着正交矩阵QQ把它的列向量记成v1v1到vnvn,它能够满足QTAQQTAQ等于λλ,λλ是一个对角阵,它的对角元是AA的特征值,那么其中QQ的列向量vivi,它是矩阵AA的属于特征值,λiλi的特征向量,也就是满足AviAvi等于λiviλivi。我们现在有个问题是说,如果对于m×nm×n的一个矩阵,我们如何来”对角化”它。那么也就是说在什么意义上,我们能够尽可能地。把m×nm×n的一个矩形的阵向对角阵靠拢,今天我们来讨论矩阵的奇异值分解它是线性代数应用中,最重要的一类矩阵分解。
AATAAT与ATAATA的特性
AATAAT与ATAATA的特征值
AATAAT与ATAATA非0特征值集合
ATAATA与AATAAT的特征向量
令ui:=Aviσi∈Rm(1≤i≤r)ui:=Aviσi∈Rm(1≤i≤r),则 AATui=A(ATAviσi)=AATAviσi=Aσi2viσi=σi2Aviσi=σi2uiAATui=A(ATAviσi)=AATAviσi=Aσi2viσi=σi2Aviσi=σi2ui,得出:AATui=σi2uiAATui=σi2ui。又因为:uiTuj=AviTσiAvjσj=viT(ATAvj)σiσj=σj2viTvjσiσj=σjσiviTvj→uiTuj={0,1,i≠ji=juiTuj=AviTσiAvjσj=viT(ATAvj)σiσj=σj2viTvjσiσj=σjσiviTvj→uiTuj={0,i≠j1,i=j故:{ui|1≤i≤r}{ui|1≤i≤r} 是AATAAT的单位正交特征向量。
根据假设(v1,...,vnv1,...,vn是ATAATA的单位交基,σ21,...,σ2nσ12,...,σn2是AATAAT的特征值)得:ATAvi=σ2ivi(1≤i≤r)→vTiATAvi=vTiσ2ivi=σ2ivTivi→||Avi||2=σ2i→|Avi|=σiATAvi=σi2vi(1≤i≤r)→viTATAvi=viTσi2vi=σi2viTvi→||Avi||2=σi2→|Avi|=σi
从AATAAT得出SVD
(1)ui:=Aviσi∈Rm(1≤i≤r)→Avi=σiui(2)ATAvi=σi2vi,(i≤i≤r)→ATAviσi=σivi→ATui=σivi(1)ui:=Aviσi∈Rm(1≤i≤r)→Avi=σiui(2)ATAvi=σi2vi,(i≤i≤r)→ATAviσi=σivi→ATui=σivi由上式子得:UU是AA列空间的一组单位正交基,VV是ATAT的列空间的一组单位正交基。σiσi是AviAvi的长度,计⎛⎝⎜⎜⎜⎜⎜⎜σ1...σr⎞⎠⎟⎟⎟⎟⎟⎟(σ1...σr)为ΣΣ,得:Am×nVn×r=Um×rΣr×r→Am×n=Um×rΣr×rV−1r×n=Um×rΣr×rVTr×nAm×nVn×r=Um×rΣr×r→Am×n=Um×rΣr×rV−1r×n=Um×rΣr×rVTr×n
向量形式:A=∑ri=1σiuiviTA=∑i=1rσiuiviT
SVD形式
例题
求u3u3两种方法:
方法1:AATu3=⎛⎝⎜10101−1⎞⎠⎟(10011−1)u3=⎛⎝⎜10101−11−12⎞⎠⎟u3=0u3→u3=13√⎛⎝⎜1−1−1⎞⎠⎟AATu3=(10011−1)(10101−1)u3=(10101−11−12)u3=0u3→u3=13(1−1−1)
方法2:uj:=⎛⎝⎜xyz⎞⎠⎟,∑r=3i=1uiuj=0(i≠j),||uj||2=1→uj=3=13√⎛⎝⎜1−1−1⎞⎠⎟uj:=(xyz),∑i=1r=3uiuj=0(i≠j),||uj||2=1→uj=3=13(1−1−1)
svd几何意义
svd应用
svd与矩阵的四个基本子空间
svd与图像压缩
奇异值与特征值关系
奇异值与奇异矩阵
相关文章推荐
- 清华大学公开课线性代数2——第4讲:线性变换1
- 清华大学公开课线性代数2——第11讲:计算机图像
- 清华大学公开课线性代数2——第5讲:线性变换2
- 清华大学公开课线性代数2——第9讲:马尔科夫矩阵和正矩阵
- 清华大学公开课线性代数2——第7讲:工程中的矩阵
- 【线性代数公开课MIT Linear Algebra】 第二十二课 特征分解与矩阵的幂
- 线性代数之奇异值(SVD)分解
- 清华大学公开课线性代数2——第8讲:图和网络
- 清华大学公开课线性代数2——第1讲:正定矩阵
- 清华大学公开课线性代数2——第10讲:傅里叶级数
- 线性代数之奇异值(SVD)分解
- 【线性代数公开课MIT Linear Algebra】 第五课 排列矩阵、转置、向量空间与列空间
- 【线性代数公开课MIT Linear Algebra】 第八课 Ax=b,我们的核心问题
- 【线性代数公开课MIT Linear Algebra】 实际应用——python中的线性代数(1)
- 线性代数(笔记八) MIT公开课(来源网易云课堂)
- 斯坦福ML公开课笔记15—隐含语义索引、奇异值分解、独立成分分析
- 【线性代数公开课MIT Linear Algebra】 第十三课 复习课
- 【线性代数公开课MIT Linear Algebra】 第十五课 Ax=b与投影矩阵
- 【线性代数公开课MIT Linear Algebra】 第十八课 行列式的性质
- 线性代数(笔记四) MIT公开课(来源网易云课堂)