的最大奇异值;
的最小奇异值。
现在来考察矩阵奇异值的几何意义[1,2],不妨设 ,此时有
是一个超椭球面,它的 个半轴长正好是 的 个奇异值 ,这
些轴所在的直线正好是 的左奇异向量所在的直线,它们分别是对应的右奇异向量
所在直线的象。
一般地我们假设 ,(对于 的情况,我们可以先对 转置,然后进行奇
异值分解,最后对所求得的 SVD 分解式进行转置就可以得到原式 SVD 分解式),
此时我们对(1.1)进行化简将 表示为:
…(1.2)
则可以得到更加细腻的 SVD 分解式[2,3]:
…(1.3)
其中 具有 列 维正交向量, 和(1.1)式中的定义相同; ,
并且 为矩阵 的奇异值。
3.2SVD 应用
在现代科学计算中 SVD 具有广泛的应用,在已经比较成熟的软件包 LINPACK 中
列举的应用有以下几点[3]:
确定矩阵的秩(rank)
假设矩阵 的秩为 ,那么 的奇异值满足如下式子
;
反之,如果 ,且 ,那么矩阵 的秩为 ,这样奇异值分解就
可以被用来确定矩阵的秩了。
事实的计算中我们几乎不可能计算得到奇异值正好等于 0,所以我们还要确定
什么时候计算得到的奇异值足够接近于 0,以致可以忽略而近似为 0。关于这个问
题,不同的算法有不同的判断标准,将在给出各种算法的时候详细说明。
确定投影算子
假设矩阵 的秩为 ,那么我们可以将(1.3)式中的 划分为以下的形式
其中 为 的矩阵,并且 的列向量构成了矩阵 的列空间的正交向量基。