奇异值分解

2022-05-11 00:01:52 作者：互联网

概述

奇异值分解（Singular Value Decomposition，SVD）是线性代数中一种重要的矩阵分解方法，区别于只适用于实对称矩阵的特征分解方法，奇异值分解可对任意实矩阵进行分解。

特征分解

特征分解（eigendecomposition）又叫谱分解（Spectral decomposition），是把一个矩阵根据其特征值和特征向量分解的过程，只有可以正交化的矩阵才可以进行特征分解。

$A$为$n$阶方阵，若存在$n$维非零向量$x$使得：

\[Ax = \lambda x \]
则称$\lambda$为矩阵$A$的特征值，$x$为$A$属于$\lambda$的特征向量（eigenvector）。

有了上述定义，接下来讨论如何计算一个矩阵的特征值和特征向量。由定义可知：

\[Ax-\lambda x=0 \Rightarrow (A-\lambda I)x=0 \]

1、计算方阵A的特征多项式$|A-\lambda I|$；

2、求出特征方程$|A-\lambda I|=0$的所有根（包括复根和重根），这些根$\lambda_1,\lambda_2,\cdots,\lambda_n$即为$A$的所有特征值；

3、对于$A$的每一个特征值$\lambda_i(1\leq i\leq n)$，求解齐次线性方程组$(A-\lambda_i I)x=0$，该方程组的每一个非零解都是$A$属于特征值$\lambda_i$的特征向量；

求出矩阵$A$的特征值和特征向量后，若矩阵$A$有$n$个线性独立的特征向量，那么 $A$是可以正交化的，此时 $A$ 的特征分解为：

\[A = WDW^{-1} \]

其中$W$时$n$个特征向量所组成的$n \times n$维矩阵，$D$为以这$n$个特征值为主对角线元素的对角阵。

奇异值分解

定义

若$M$为一个$m \times n$阶的矩阵，则存在一个分解，使得：

\[M = UDV^T \]
其中$U$为$m$阶酉矩阵、$V$为$n$阶酉矩阵、$D$为$m\times n$的非负实对角矩阵。称此分解为奇异值分解，一般我们将$V$中的每一个特征向量叫做$M$的右奇异向量，将$U$中的每个特征向量叫做左奇异向量，$D$对角线上的元素称为$M$的奇异值，当规定奇异值降序排列时，可唯一确定一个$D$。

有了定义，接下来需要确定奇异值分解的三个矩阵$U、D、V$。比较直观的想法是通过$M$来构造一个方阵来进行特征分解，间接计算$U、D、V$，由于$MM^T,M^TM$分别为$m\times m$和$n\times n$的方阵，则有：

\[\begin{equation} \begin{split} MM^T=UDV^T(UDV^T)^T=UDV^TVD^TU^T = UDD^TU^T=U\sum_1 U^T \\ M^TM = (UDV^T)^TUDV^T=VD^TU^TUDV^T=VDD^TV^T=V\sum_2 V^T \end{split} \end{equation} \]
注意到：

\[M = UDV^T \Rightarrow MV = UDV^TV \Rightarrow MV= UD \Rightarrow Mv_i = \delta_iu_i \Rightarrow \delta_i = \frac{Mv_i}{u_i} \]
其中，$v_i,u_i$分别为$V,U$中第$i$个特征向量。这个式子提供了一种计算奇异值的方法，另一种思路是结合式（5）：

\[\sum = DD^T=D^2 \Rightarrow \delta_i = \sqrt{\lambda_i} \]
即，特征值矩阵为奇异值矩阵的平方，故可以通过计算$M^TM$的特征值取平方根来计算奇异值。
SVD的计算步骤

1.计算$MM^T$和$M^TM$；

2.分别计算$MM^T$和$M^TM$的特征向量和特征值；

3.$MM^T$的特征向量组成$U$，而$M^TM$的特征向量组成$V$；

4.对$MM^T$和$M^TM$的非零特征值求平方根，对应上述特征向量的位置，填入对角阵$D$的位置；
计算示例

接下来以计算矩阵$A=\begin{pmatrix}0&1 \\ 1& 1 \\1&0\end{pmatrix}$的奇异值分解为例，来进一步熟悉：

第一步，先计算$A$的两个转置积：

\[\begin{equation} \begin{split} &A^TA=\begin{pmatrix} 0 & 1 & 1 \\ 1 & 1 & 0 \end{pmatrix}\begin{pmatrix} 0 & 1 \\ 1 & 1 \\ 1 & 0\end{pmatrix} = \begin{pmatrix}2 & 1 \\ 1& 2\end{pmatrix} \\ &AA^T = \begin{pmatrix}0 & 1 \\ 1 & 1 \\ 1 & 0\end{pmatrix}\begin{pmatrix}0 & 1 &1 \\ 1 & 1 & 0\end{pmatrix}=\begin{pmatrix}1 & 1 & 0 \\ 1 & 2 & 1 \\ 0 & 1 & 1\end{pmatrix} \end{split} \end{equation} \]
第二步，分别计算两个转置积的特征值和特征向量：

\[\begin{equation} \begin{split} &\color{#F00}{(A^TA-\lambda I)x = 0} \Rightarrow |A^TA-\lambda I|=0 \\ &\Rightarrow \begin{vmatrix} 2-\lambda & 1 \\ 1 & 2-\lambda \end{vmatrix} = 0 \Rightarrow \lambda^2-4\lambda+3=0 \end{split} \end{equation} \]
容易得到式（9）中一元二次方程的根为$\lambda_1 = 3,\lambda_2=1$，当$\lambda=3$时，将特征根分别带入式（1）中，得到：

\[\begin{equation} \begin{split} &&(A^TA-3I)x = 0 \Rightarrow\begin{pmatrix}-1 & 1 \\ 1 & -1\end{pmatrix}x= 0 \Rightarrow\begin{pmatrix}-1 & 1 \\ 1 & -1\end{pmatrix}\begin{pmatrix}x_1 \\ x_2\end{pmatrix}= 0 \\ \end{split} \end{equation} \]
此时的单位特征向量为：

\[x_{\lambda=3} = \begin{pmatrix} \frac{1}{\sqrt{2}} \\ \frac{1}{\sqrt{2}}\end{pmatrix} \]
同理得到：

\[x_{\lambda=1} = \begin{pmatrix} \frac{1}{\sqrt{2}} \\ -\frac{1}{\sqrt{2}}\end{pmatrix} \]
同理计算$AA^T$的特征根和特征向量：

\[\begin{equation} \begin{split} &\lambda_1=3，u_1= \begin{pmatrix} \frac{1}{\sqrt{6}} \\ \frac{2}{\sqrt{6}} \\ \frac{1}{\sqrt{6}} \end{pmatrix}； &\lambda_2 = 1，u_2 = \begin{pmatrix} \frac{1}{\sqrt{2}} \\ 0 \\ -\frac{1}{\sqrt{2}} \end{pmatrix}； &\lambda_3 = 0，u_3 = \begin{pmatrix} \frac{1}{\sqrt{3}} \\ -\frac{1}{\sqrt{3}} \\ \frac{1}{\sqrt{3}} \end{pmatrix} \end{split} \end{equation} \]
第三步，使用两个转置积的单位特征向量构造$U,V$矩阵：

\[\begin{equation} \begin{split} &U =(u_1,u_2,u_3)= \begin{pmatrix} \frac{1}{\sqrt{6}} & \frac{1}{\sqrt{2}} & \frac{1}{\sqrt{3}} \\ \frac{2}{\sqrt{6}} & 0 & -\frac{1}{\sqrt{3}} \\ \frac{1}{\sqrt{6}} & -\frac{1}{\sqrt{2}} & \frac{1}{\sqrt{3}} \end{pmatrix} \\ &V^T = (v_1,v_2)^T= \begin{pmatrix} \frac{1}{\sqrt{2}} & \frac{1}{\sqrt{2}} \\ -\frac{1}{\sqrt{2}} & \frac{1}{\sqrt{2}} \end{pmatrix} \end{split} \end{equation} \]
第四步，计算奇异值，直接使用$\delta_i = \sqrt{\lambda_i}$计算奇异值并组成对角阵$D$：

\[D = \begin{pmatrix} \sqrt{3} & 0\\ 0 & 1\\ 0 & 0 \end{pmatrix} \]
最终得到矩阵$A$的奇异值分解：

\[A= UDV^T =\begin{pmatrix} \frac{1}{\sqrt{6}} & \frac{1}{\sqrt{2}} & \frac{1}{\sqrt{3}} \\ \frac{2}{\sqrt{6}} & 0 & -\frac{1}{\sqrt{3}} \\ \frac{1}{\sqrt{6}} & -\frac{1}{\sqrt{2}} & \frac{1}{\sqrt{3}} \end{pmatrix}\begin{pmatrix} \sqrt{3} & 0\\ 0 & 1\\ 0 & 0 \end{pmatrix} \begin{pmatrix} \frac{1}{\sqrt{2}} & \frac{1}{\sqrt{2}} \\ -\frac{1}{\sqrt{2}} & \frac{1}{\sqrt{2}} \end{pmatrix} \]

应用

对于奇异值,它跟我们特征分解中的特征值类似，在奇异值矩阵中也是按照从大到小排列，而且奇异值的减少特别的快，在很多情况下，前10%甚至1%的奇异值的和就占了全部的奇异值之和的99%以上的比例。也就是说，我们也可以用最大的k个的奇异值和对应的左右奇异向量来近似描述矩阵：

\[A_{m \times n} = U_{m \times m}D_{m \times n}V^T_{n \times n} \approx U_{m \times k} D_{k \times k} V^T_{k \times n} \]

这样处理的好处是，我们可以用三个较小的矩阵$U_{m \times k},D_{k \times k},V_{k \times n}^T$来表示一个大矩阵$A$，如下图所示，使用三个灰色部分的小矩阵来表示大矩阵。

图片来源于刘建平Pinard

由于这个重要的性质，SVD可以用于PCA降维，来做图片数据压缩和去噪。也可以用于推荐算法，将用户和喜好对应的矩阵做特征分解，进而得到隐含的用户需求来做推荐。同时也可以用于NLP中的算法，比如潜在语义索引（LSI）。

Note：

需要注意的是，奇异值分解中特征值的求解是比较核心的地方，在工程应用中，往往需要进行奇异值分解都是大矩阵，对这类大矩阵，如果采用上面的方法求解特征值需要花费较多的时间和资源。对此，可以采用乘幂法和反幂法或者QR方法来近似求解矩阵的特征根，在此不做进一步展开，有兴趣的读者可以进一步了解一下。

基本概念说明

矩阵的子式

设有$m \times n$矩阵A，在$A$中任意取定$k$个行和$k$个列（$k \leq \min\{m,n\}$），位于这些行与列交叉处的元素按原来的相对顺序排成一个$k$阶行列式，称它为矩阵$A$的一个$k$阶子式，特别地，$A$中每一个元素就是$A$的一阶子式。
　　对于确定的$k$，在$m \times n$矩阵$A$中，总共有$C_m^k \times C_n^k$个$k$阶子式，这些子式的值有的可能是零，也可能不为零，把值不为零的子式称为非零子式。
矩阵的秩

在$m\times n$矩阵$A$中，非零子式的最高阶数称为矩阵$A$的秩，记为$r(A)$或秩规定零矩$(A)$,规定零矩阵的秩为零。

推论1：

$r(A)=r \Leftrightarrow A$中所有$r+1$阶子式（如果有的话）全为零，而$A$中至少有一个$r$阶子式非零。
矩阵的谱半径

$A$为$n$阶方阵，$\lambda_i（1\leq i\leq n）$为其特征值，则$A$的谱半径定义如下：

\[\rho(r) = max\{|\lambda_1|,|\lambda_2|,\dots,|\lambda_n|\} \]
即方阵$A$的谱半径为$A$特征值中绝对值最大的那个值。
正定矩阵

如果对于所有的非零实系数向量 $z$，都有 $z^TAz>0$，则称矩阵 $A$ 是正定的。正定矩阵的行列式必然大于0，所有特征值也必然大于0。相对应的，半正定矩阵的行列式必然 ≥ 0。
正交矩阵

若一个方阵其行与列皆为正交的单位向量（即二者的内积为0），则该方阵为正交矩阵。
酉矩阵

酉矩阵（unitary matrix）是一种特殊的方阵，它满足$UU^H=U^HU=I_n$（$U^H$为$U$的共轭转置，其在转置的基础上，增加了复数的共轭）。酉矩阵实际上是推广的正交矩阵（orthogonal matrix）；当酉矩阵中的元素均为实数时，酉矩阵实际就是正交矩阵。另一方面，由于$U^{-1}U=UU^{-1}=I_n$，所以酉矩阵 $U$满足$ U^{−1}=UH$；事实上，这是一个矩阵是酉矩阵的充分必要条件。
正规矩阵

同酉矩阵一样，正规矩阵（normal matrix）也是一种特殊的方阵，它要求在矩阵乘法的意义下与它的共轭转置矩阵满足交换律，即$MM^H=M^HM$。显然，复系数的酉矩阵和实系数的正交矩阵都是正规矩阵。
谱定理和谱矩阵

矩阵的对角化是线性代数中的一个重要命题。谱定理（spectral theorem）给出了方阵对角化的一个结论：若矩阵$M$是一个正规矩阵，则存在酉矩阵 $U$，以及对角矩阵 $\sum$，使得$M=U\sum U^H$。也就是说，正规矩阵，可经由酉变换，分解为对角矩阵；这种矩阵分解的方式，称为谱分解（spectral decomposition）。

参考文章

标签：frac,矩阵,sqrt,分解,pmatrix,奇异,end,lambda
来源： https://www.cnblogs.com/wcjb/p/16256102.html

奇异值分解

概述

特征分解

奇异值分解

应用

基本概念说明

参考文章