1 奇异值分解(SVD)简介

Beltrami 和 Jordan 被认为是奇异值分解（Singular Value Decomposition，SVD）的共同开创者，二人于19世纪70年代相继提出了相关理论。奇异值分解主要解决的问题是数据降维。在高维度的数据中，数据往往是稀疏的，或者数据往往由几个重要的成分表达了大部分信息。因此，通过降维可以很好地化繁为简的解决问题，也可以降低数据的存储成本和运算成本。

奇异值分解有着比较广泛的应用，在图像处理、推荐系统中都有着比较重要的应用。

2 奇异值分解的基本原理

2.1 特征值与特征向量

对于阶方阵，若存在非零向量和非负值，使得，则称为线性变换的特征值，称为特征值的特征向量。

若方阵的所有特征值为，对应的一组特征向量为，

记，

则有。

当为实对称阵时，存在单位正交向量构成单位正交阵。对于正交阵，从而。

上式实际上是实现了将实对称阵对角化成。

2.2 矩阵的秩

矩阵任意选取的行和列的形成阶矩阵，其行列式称为矩阵的阶子式。矩阵的不为零的子式的最大阶数称为矩阵的秩。

对于矩阵，其秩记为。

对于方阵，其秩等于大于0的特征值的个数。

这里的也等于后文中大于0的奇异值的个数。

2.3 矩阵分解

2.3.1 矩阵分解的概念

任意矩阵都可分解为三个矩阵的乘积，即    ... (1)式。

其中是的正交矩阵，是的非负对角阵，是的正交矩阵。被称为左奇异向量，称为奇异值，称为右奇异向量。

其中，，，并且。

当如上进行矩阵分解后，我们选择奇异值中的前个奇异值，对应的选择前列的元素，得到的称为矩阵的截断奇异值分解。

截断奇异值分解可以看作对数据的降维，即

2.3.2 奇异值分解的推导

对于矩阵的奇异值分解，假设存在满足前述条件的，使得则有

。

由于为对角阵，因此 仍为对角阵，为阶对角阵。

，不妨将其记为。

则。

由于为正交矩阵，，因此将上式右侧同乘以，得到

。

由于为实对称阵，一定存在一组非负特征值和对应的特征向量（单位正交向量），不妨记该个特征值为（）。对应的特征向量（单位正交向量）分别记为。

将特征值开方后得到。

令，，

则正好找到了对应的和，使得(1)式成立。

对于实对称阵，其非零特征值与的特征值相同，也为（），其余个特征值为0。对应的特征向量（单位正交向量）分别记为。

将特征值开方后得到。

同理，有

令，，

则正好找到了对应的和，使得(1)式成立。

如此，求出了（1）式所需的，问题得解。

3 奇异值分解的步骤

3.1 计算奇异值

计算矩阵乘积，求解，得到大于零的特征值。

令，得到奇异矩阵。

3.2 求解右奇异向量

将特征值代入，求解得的特征向量，并将其单位化，记为。

令，得右奇异向量。

3.3 求解左奇异向量

将特征值代入，求解得的特征向量，并将其单位化，记为。

令，得左奇异向量。

矩阵的奇异值分解完成。

4 奇异值分解的实例

numpy模块中有自带的奇异值分解函数。

import numpy as np
# 创建矩阵A
A = np.array([[3, 0, 0, 0],[0, 0, 0, 4],[0, 5, 0, 0],[0, 0, 0, 2],[2, 0, 0, 0]])# 进行奇异值分解
U, S, V = np.linalg.svd(A)
# 打印结果
print("U:\n", U)
print("S:", S)
print("V:\n", V)

U:[[ 0.          0.         -0.83205029 -0.         -0.5547002 ][ 0.          0.89442719  0.          0.4472136   0.        ][-1.          0.          0.          0.          0.        ][ 0.          0.4472136   0.         -0.89442719  0.        ][ 0.          0.         -0.5547002   0.          0.83205029]]
S: [5.         4.47213595 3.60555128 0.        ]
V:[[-0. -1. -0. -0.][ 0.  0.  0.  1.][-1. -0. -0. -0.][-0. -0. -1. -0.]]

5 奇异值分解的总结

（1）奇异值分解的原理和步骤比较简单；

（2）奇异值分解非常适合对高维数据的处理；

（3）奇异值分解一种非常重要的降维技术，尤其是在图像处理和推荐系统中有着重要的应用；

（4）奇异值分解后的结果不易直观理解。