奇异值

矩形矩阵 A 的奇异值和对应的奇异向量分别为满足以下条件的标量 σ 以及一对向量 u 和 v

$$\begin{array}{l}Av=\sigma u\\ A^{H}u=\sigma v,\end{array}$$

其中 $$A^H$$ 是 A 的埃尔米特转置。奇异向量 u 和 v 通常缩放至范数为 1。此外，如果 u 和 v 均为 A 的奇异向量，则 -u 和 -v 也为 A 的奇异向量。

奇异值 σ 始终为非负实数，即使 A 为复数也是如此。对于对角矩阵 Σ 中的奇异值以及构成两个正交矩阵 U 和 V 的列的对应奇异向量，方程为

$$\begin{array}{l}AV=U\Sigma \\ A^{H}U=V\Sigma .\end{array}$$

由于 U 和 V 均为单位矩阵，因此将第一个方程的右侧乘以 $$V^H$$ 会生成奇异值分解方程

$$A=U\Sigma V^H.$$

m×n 矩阵的完整奇异值分解涉及：

• m×m 矩阵 U

• m×n 矩阵 Σ

• n×n 矩阵 V

换句话说，U 和 V 均为方阵，Σ 与 A 的大小相同。如果 A 的行数远多于列数 (m > n)，则得到的 m×m 矩阵 U 为大型矩阵。但是，U 中的大多数列与 Σ 中的零相乘。在这种情况下，精简分解可通过生成一个 m×n U、一个 n×n Σ 以及相同的 V 来同时节省时间和存储空间：

特征值分解是分析矩阵（当矩形表示从向量空间到其自身的映射时）的合适工具，就像分析常微分方程一样。但是，奇异值分解是分析从一个向量空间到另一个向量空间（可能具有不同的维度）的映射的合适工具。大多数联立线性方程组都属于这第二类。

如果 A 是方形的对称正定矩阵，则其特征值分解和奇异值分解相同。但是，当 A 偏离对称性和正定性时，这两种分解之间的差异就会增加。特别是，实矩阵的奇异值分解始终为实数，但非对称实矩阵的特征值分解可能为复数。

对于示例矩阵

A = [9     4
     6     8
     2     7];

完整的奇异值分解为

[U,S,V] = svd(A)

U =

   -0.6105    0.7174    0.3355
   -0.6646   -0.2336   -0.7098
   -0.4308   -0.6563    0.6194


S =

   14.9359         0
         0    5.1883
         0         0


V =

   -0.6925    0.7214
   -0.7214   -0.6925

可以验证 U*S*V' 在舍入误差界限内是否等于 A。对于此类小问题，精简分解只是略小一些。

[U,S,V] = svd(A,"econ")

U =

   -0.6105    0.7174
   -0.6646   -0.2336
   -0.4308   -0.6563


S =

   14.9359         0
         0    5.1883


V =

   -0.6925    0.7214
   -0.7214   -0.6925

同样，U*S*V' 在舍入误差界限内等于 A。

分批 SVD 计算

如果需要分解一个由大小相同的矩阵组成的大型矩阵集合，则用 svd 在循环中执行所有分解是低效的。在这种情况下，您可以将所有矩阵串联成一个多维数组，并使用 pagesvd 通过一次函数调用对所有数组页执行奇异值分解。

函数	用法
pagesvd	使用 pagesvd 对多维数组的页执行奇异值分解。这是对大小相同的矩阵组成的大型集合执行 SVD 的高效方法。

例如，假设有一个包含三个 2×2 矩阵的集合。使用 cat 函数将这些矩阵串联成一个 2×2×3 数组。

A = [0 -1; 1 0];
B = [-1 0; 0 -1];
C = [0 1; -1 0];
X = cat(3,A,B,C);

现在，使用 pagesvd 同时执行三个分解。

[U,S,V] = pagesvd(X);

对于 X 的每页，输出 U、S 和 V 中都有对应的页。例如，矩阵 A 位于 X 的第一页上，其分解由 U(:,:,1)*S(:,:,1)*V(:,:,1)' 给出。

低秩 SVD 逼近

对于大型稀疏矩阵，使用 svd 计算所有奇异值和奇异向量并不始终可行。例如，如果您只需知道几个最大的奇异值，那么计算一个 5000×5000 稀疏矩阵的所有奇异值会带来额外的工作。

在只需要一部分奇异值和奇异向量的情况下，svds 和 svdsketch 函数优先于 svd。

函数	用法
svds	使用 svds 计算 SVD 的 k 秩逼近。您可以指定一部分奇异值应为最大值、最小值还是最接近特定数字的值。svds 通常计算最可能的 k 秩逼近。
svdsketch	使用 svdsketch 计算输入矩阵的满足指定容差的部分 SVD。svds 要求您指定秩，而 svdsketch 根据指定的容差以自适应方式确定矩阵草图的秩。svdsketch 最终使用的 k 秩逼近满足容差，但不同于 svds，它无法保证是最佳的。

例如，假设有一个密度约为 30% 的 1000×1000 随机稀疏矩阵。

n = 1000;
A = sprand(n,n,0.3);

最大的六个奇异值为

S = svds(A)

S =

  130.2184
   16.4358
   16.4119
   16.3688
   16.3242
   16.2838

此外，最小的六个奇异值为

S = svds(A,6,"smallest")

S =

    0.0740
    0.0574
    0.0388
    0.0282
    0.0131
    0.0066

对于可作为满矩阵 full(A) 载入内存的较小矩阵，使用 svd(full(A)) 的速度可能仍快于使用 svds 或 svdsketch。但对于确实很大的稀疏矩阵，就有必要使用 svds 或 svdsketch。

另请参阅

svd | svds | svdsketch | gsvd | pagesvd

相关主题

• MATLAB 环境中的矩阵
• 分解
• 特征值