基本概念
SVD(singular value decomposition),奇异值分解
对称方阵可以分解成特征值和特征向量的形式:
那么类比,任意矩阵可以分解成类似形式吗?可以,分成奇异值和特征向量。
也可以把A写成rank 1的矩阵之和:
其中代表奇异值,总共只有个,全部大于0,其他都为0.
有什么用?
可以把图片转为矩阵,通过丢弃不重要的奇异值,进行压缩:
参考https://www.zhihu.com/question/22237507?sort=created
怎么求解?
image.png image.png-
是的eigenvector
-
是的eigenvalue
上面两个式子左边都是对称方阵可以用特征值分解,然后得到//
直观解释
奇异值分解实际上把矩阵的变换分为了三部分:
-
旋转
-
拉伸
-
投影
网友评论