标签:... bold Sigma SVD U1 线性代数 数学 diag sigma
SVD 数学证明与理解
命题
只讨论实矩阵.
任意矩阵 Am,n 可以分解为:
Am,n=UΣVT
其中 Um,m 和 Vn,n 为由 Rm 和 Rn 下的标准正交基组成, Σ 为对角矩阵
证明
ATA 为半正定矩阵, 特征值都为非负数, 记其特征值为 σ(ATA)={σ12...σn2}, 并按照从大到小顺序排列
记 ATA 的秩为 r, 则 σ1≥...≥σr≥0=σr+1=...=σn
令 Σ=diag(σ1...σn),V=[v1...vn] 为其特征值平方根矩阵和对应的标准正交特征向量组
其中
Σ1=diag(σ1...σr),V1=[v1...vr]
Σ2=diag(σr+1...σn)=0,V2=[vr+1...vn]
于是有
ATAV1=V1Σ12
变形得
Σ1−1V1TATAV1Σ1−1=I (公式 I )
又有
$A^T A V_2 = V_2 \bold0 $
变形得
V2TATAV2=(AV2)T(AV2)=0
因此
AV2=0
令 U1=AV1Σ1−1
由公式 I, 有 U1TU1=I
选择任意 U2 使得 U=[U1,U2] 为正交矩阵
于是有
UTAV=[U1,U2]TA[V1,V2]=[U1AV1U2AV1U1AV2U2AV2]=[Σ1U2TU1Σ100]=[Σ1000]=Σ
所以
A=UΣVT
理解
在我看来, SVD 的功劳是, 它实现了对任意矩阵的特征值分解.
特征值分解的好处是, 它将一个矩阵分解为有限个同阶子矩阵的代权和, 从而实现了有损压缩.
对于本身即可对角化的方阵来说, SVD的速度比常规手段更快
因此, 在PCA中, SVD的角色是实现快速的特征值分解, 因为协方差矩阵本身就可对角化.
标签:...,bold,Sigma,SVD,U1,线性代数,数学,diag,sigma 来源: https://blog.csdn.net/vinceee__/article/details/89040453
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。