一、正交矩阵
图1.1 正交矩阵二、EVD
特征值分解(Eigen Value Decomposition, EVD)。
对于对称阵,设特征值为,对应的单位特征向量为,则有
若非满秩,会导致维度退化,使得向量落入维空间的子空间中。
最后,变换是变换的逆变换。
三、SVD
奇异值分解(Singular Value Decomposition, SVD)。
对任意一个的矩阵,能否找到一组正交基使得其经过变换后得到的还是一组正交基呢?
答案是能,这也正是SVD的设计精髓所在。
现假设存在,。
图3.2 SVD2
因此,
,
,
。
网友评论