本条目存在以下问题，请协助改善本条目或在讨论页针对议题发表看法。
此条目可能需要清理，以符合维基百科质量标准。 (2024年7月15日)请尽量协助改善这篇条目，详情请参见讨论页。
此条目需要编修，以确保文法、用词、语气、格式、标点等使用恰当。 (2024年7月15日)请按照校对指引，帮助编辑这个条目。（帮助、讨论）
奇异值分解（英语：Singular value decomposition，缩写：SVD）是线性代数中一种重要的矩阵分解，在信号处理、统计学等领域有重要应用。奇异值分解在某些方面与对称矩阵或埃尔米特矩阵基于特征向量的对角化类似，这两种矩阵分解尽管有其相关性，但还是有明显的不同。对称阵特征向量分解的基础是谱分析，而奇异值分解则是谱分析理论在任意矩阵上的推广。
线性代数
A
=
[
1
2
3
4
]
{\displaystyle \mathbf {A} ={\begin{bmatrix}1&2\\3&4\end{bmatrix}}}
向量 · 向量空间 · 基底 · 行列式 · 矩阵
向量
标量 · 向量 · 向量空间 · 向量投影 · 外积（向量积 · 七维向量积） · 内积（数量积） · 二重向量
矩阵与行列式
矩阵 · 行列式 · 线性方程组 · 秩 · 核 · 迹 · 单位矩阵 · 初等矩阵 · 方块矩阵 · 分块矩阵 · 三角矩阵 · 非奇异方阵 · 转置矩阵 · 逆矩阵 · 对角矩阵 · 可对角化矩阵 · 对称矩阵 · 反对称矩阵 · 正交矩阵 · 幺正矩阵 · 埃尔米特矩阵 · 反埃尔米特矩阵 · 正规矩阵 · 伴随矩阵 · 余因子矩阵 · 共轭转置 · 正定矩阵 · 幂零矩阵 · 矩阵分解 （LU分解 · 奇异值分解 · QR分解 · 极分解 · 特征分解） · 子式和余子式 · 拉普拉斯展开 · 克罗内克积
线性空间与线性变换
线性空间 · 线性变换 · 线性子空间 · 线性生成空间 · 基 · 线性映射 · 线性投影 · 线性无关 · 线性组合 · 线性泛函 · 行空间与列空间 · 对偶空间 · 正交 · 特征向量 · 最小二乘法 · 格拉姆-施密特正交化
查论编
目录
1 理论描述
1.1 直观的解释
2 奇异值和奇异向量，以及他们与奇异值分解的关系
3 例子
4 与特征值分解的联系
5 几何意义
6 SVD方法种类
7 应用
7.1 求广义逆阵（伪逆）
7.2 列空间、零空间和秩
7.3 矩阵近似值
8 几种程式语言中计算SVD的函式范例
9 外部链接
10 参考文献
理论描述
编辑
假设M是一个m×n阶矩阵，其中的元素全部属于域K，也就是实数域或复数域。如此则存在一个分解使得
M
=
U
Σ
V
∗
,
{\displaystyle M=U\Sigma V^{*},\,}
其中U是m×m阶酉矩阵；Σ是m×n阶非负实数对角矩阵；而V*，即V的共轭转置，是n×n阶酉矩阵。这样的分解就称作M的奇异值分解。Σ对角线上的元素Σi,i即为M的奇异值。
若将对角线元素相同但排列顺序不同的Σ视为等价，Σ由M唯一确定。（虽然U和V仍然不能确定。）
直观的解释
编辑
在矩阵M的奇异值分解中
M
=
U
Σ
V
∗
,
{\displaystyle M=U\Sigma V^{*},\,}
V的列（columns）组成一套对
M
{\displaystyle M\,}
的正交“输入”或“分析”的基向量。这些向量是
M
∗
M
{\displaystyle M^{*}\,M}
的特征向量。
U的列（columns）组成一套对
M
{\displaystyle M\,}
的正交“输出”的基向量。这些向量是
M
M
∗
{\displaystyle MM^{*}\,}
的特征向量。
Σ对角线上的元素是奇异值，可视为是在输入与输出间进行的纯量的"膨胀控制"。这些是
M
M
∗
{\displaystyle MM^{*}\,}
及
M
∗
M
{\displaystyle M^{*}\,M}
的特征值的非负平方根，并与U和V的行向量相对应。
奇异值和奇异向量，以及他们与奇异值分解的关系
编辑
一个非负实数σ是M的一个奇异值仅当存在Km的单位向量u和Kn的单位向量v如下：
M
v
=
σ
u
and
M
∗
u
=
σ
v
.
{\displaystyle Mv=\sigma u\,{\text{ and }}M^{*}u=\sigma v.\,\!}
其中向量u和v分别为σ的左奇异向量和右奇异向量。
对于任意的奇异值分解
M
=
U
Σ
V
∗
{\displaystyle M=U\Sigma V^{*}\,\!}
矩阵Σ的对角线上的元素等于M的奇异值. U和V的列分别是奇异值中的左、右奇异向量。因此，上述定理表明：
一个m×n的矩阵至多有p = min(m,n)个不同的奇异值；
总能在Km中找到由M的左奇异向量组成的一组正交基U，；
总能在Kn找到由M的右奇异向量组成的一组正交基V，。
如果对于一个奇异值，可以找到两组线性无关的左（右）奇异向量，则该奇异值称为简并的（或退化的）。
非退化的奇异值在最多相差一个相位因子
exp
(
i
ϕ
)
{\displaystyle \exp(i\phi )}
（若讨论限定在实数域内，则最多相差一个正负号）的意义下具有唯一的左、右奇异向量。因此，如果M的所有奇异值都是非退化且非零，则除去一个可以同时乘在
U
,
V
{\displaystyle U,V}
上的任意的相位因子外，
M
{\displaystyle M}
的奇异值分解唯一。
根据定义，退化的奇异值具有不唯一的奇异向量。因为，如果u1和u2为奇异值σ的两个左奇异向量，则它们的任意归一化线性组合也是奇异值σ一个左奇异向量，右奇异向量也具有类似的性质。因此，如果M具有退化的奇异值，则它的奇异值分解是不唯一的。
例子
编辑
观察一个4×5的矩阵
M
=
[
1
0
0
0
2
0
0
3
0
0
0
0
0
0
0
0
4
0
0
0
]
{\displaystyle M={\begin{bmatrix}1&0&0&0&2\\0&0&3&0&0\\0&0&0&0&0\\0&4&0&0&0\end{bmatrix}}}
M矩阵的奇异值分解如下
U
Σ
V
∗
{\displaystyle U\Sigma V^{*}}
U
=
[
0
0
1
0
0
1
0
0
0
0
0
1
1
0
0
0
]
,
Σ
=
[
4
0
0
0
0
0
3
0
0
0
0
0
5
0
0
0
0
0
0
0
]
,
V
∗
=
[
0
1
0
0
0
0
0
1
0
0
0.2
0
0
0
0.8
0
0
0
1
0
0.8
0
0
0
−
0.2
]
{\displaystyle U={\begin{bmatrix}0&0&1&0\\0&1&0&0\\0&0&0&1\\1&0&0&0\end{bmatrix}},\;\Sigma ={\begin{bmatrix}4&0&0&0&0\\0&3&0&0&0\\0&0&{\sqrt {5}}&0&0\\0&0&0&0&0\end{bmatrix}},\;V^{*}={\begin{bmatrix}0&1&0&0&0\\0&0&1&0&0\\{\sqrt {0.2}}&0&0&0&{\sqrt {0.8}}\\0&0&0&1&0\\{\sqrt {0.8}}&0&0&0&-{\sqrt {0.2}}\end{bmatrix}}}
注意矩阵
Σ
{\displaystyle \Sigma }
的所有非对角元为0。矩阵
U
{\displaystyle U}
和
V
∗
{\displaystyle V^{*}}
都是酉矩阵，它们乘上各自的共轭转置都得到单位矩阵。如下所示。在这个例子中，由于
U
{\displaystyle U}
和
V
∗
{\displaystyle V^{*}}
都是实矩阵，故它们都是正交矩阵。
U
U
∗
=
[
0
0
1
0
0
1
0
0
0
0
0
1
1
0
0
0
]
⋅
[
0
0
0
1
0
1
0
0
1
0
0
0
0
0
1
0
]
=
[
1
0
0
0
0
1
0
0
0
0
1
0
0
0
0
1
]
≡
I
4
{\displaystyle UU^{*}={\begin{bmatrix}0&0&1&0\\0&1&0&0\\0&0&0&1\\1&0&0&0\end{bmatrix}}\cdot {\begin{bmatrix}0&0&0&1\\0&1&0&0\\1&0&0&0\\0&0&1&0\end{bmatrix}}={\begin{bmatrix}1&0&0&0\\0&1&0&0\\0&0&1&0\\0&0&0&1\end{bmatrix}}\equiv I_{4}}
V
V
∗
=
[
0
0
0.2
0
0.8
1
0
0
0
0
0
1
0
0
0
0
0
0
1
0
0
0
0.8
0
−
0.2
]
⋅
[
0
1
0
0
0
0
0
1
0
0
0.2
0
0
0
0.8
0
0
0
1
0
0.8
0
0
0
−
0.2
]
=
[
1
0
0
0
0
0
1
0
0
0
0
0
1
0
0
0
0
0
1
0
0
0
0
0
1
]
≡
I
5
{\displaystyle VV^{*}={\begin{bmatrix}0&0&{\sqrt {0.2}}&0&{\sqrt {0.8}}\\1&0&0&0&0\\0&1&0&0&0\\0&0&0&1&0\\0&0&{\sqrt {0.8}}&0&-{\sqrt {0.2}}\end{bmatrix}}\cdot {\begin{bmatrix}0&1&0&0&0\\0&0&1&0&0\\{\sqrt {0.2}}&0&0&0&{\sqrt {0.8}}\\0&0&0&1&0\\{\sqrt {0.8}}&0&0&0&-{\sqrt {0.2}}\end{bmatrix}}={\begin{bmatrix}1&0&0&0&0\\0&1&0&0&0\\0&0&1&0&0\\0&0&0&1&0\\0&0&0&0&1\end{bmatrix}}\equiv I_{5}}
由于
Σ
{\displaystyle \Sigma }
有一个对角元是零，故这个奇异值分解值不是唯一的。例如，选择
V
{\displaystyle V}
使得
V
∗
=
[
0
1
0
0
0
0
0
1
0
0
0.2
0
0
0
0.8
0.4
0
0
0.5
−
0.1
−
0.4
0
0
0.5
0.1
]
{\displaystyle V^{*}={\begin{bmatrix}0&1&0&0&0\\0&0&1&0&0\\{\sqrt {0.2}}&0&0&0&{\sqrt {0.8}}\\{\sqrt {0.4}}&0&0&{\sqrt {0.5}}&-{\sqrt {0.1}}\\-{\sqrt {0.4}}&0&0&{\sqrt {0.5}}&{\sqrt {0.1}}\end{bmatrix}}}
能得到
M
{\displaystyle M}
的另一个奇异值分解。
与特征值分解的联系
编辑
奇异值分解能够用于任意
m
×
n
{\displaystyle m\times n}
矩阵，而特征分解只能适用于特定类型的方阵，故奇异值分解的适用范围更广。不过，这两个分解之间是有关联的。给定一个M的奇异值分解，根据上面的论述，两者的关系式如下：
M
∗
M
=
V
Σ
∗
U
∗
U
Σ
V
∗
=
V
(
Σ
∗
Σ
)
V
∗
{\displaystyle M^{*}M=V\Sigma ^{*}U^{*}\,U\Sigma V^{*}=V(\Sigma ^{*}\Sigma )V^{*}\,}
M
M
∗
=
U
Σ
V
∗
V
Σ
∗
U
∗
=
U
(
Σ
Σ
∗
)
U
∗
{\displaystyle MM^{*}=U\Sigma V^{*}\,V\Sigma ^{*}U^{*}=U(\Sigma \Sigma ^{*})U^{*}\,}
关系式的右边描述了关系式左边的特征值分解。于是：
V
{\displaystyle V}
的列向量（右奇异向量）是
M
∗
M
{\displaystyle M^{*}M}
的特征向量。
U
{\displaystyle U}
的列向量（左奇异向量）是
M
M
∗
{\displaystyle MM^{*}}
的特征向量。
Σ
{\displaystyle \Sigma }
的非零对角元（非零奇异值）是
M
∗
M
{\displaystyle M^{*}M}
或者
M
M
∗
{\displaystyle MM^{*}}
的非零特征值的平方根。
特殊情况下，当M是一个正规矩阵（因而必须是方阵）根据谱定理，M可以被一组特征向量酉对角化，所以它可以表为：
M
=
U
D
U
∗
{\displaystyle M=UDU^{*}}
其中U为一个酉矩阵，D为一个对角阵。如果M是半正定的，
M
=
U
D
U
∗
{\displaystyle M=UDU^{*}}
的分解也是一个奇异值分解。
然而，一般矩阵的特征分解跟奇异值分解不同。特征分解如下：
M
=
U
D
U
−
1
{\displaystyle M=UDU^{-1}}
其中U是不需要是酉的，D也不需要是半正定的。而奇异值分解如下：
M
=
U
Σ
V
∗
{\displaystyle M=U\Sigma V^{*}}
其中
Σ
{\displaystyle \Sigma }
是对角半正定矩阵，U和V是酉矩阵，两者除了通过矩阵M没有必然的联系。
几何意义
编辑
因为U和V都是酉的，我们知道U的列向量 u1,...,um 组成了Km空间的一组标准正交基。同样，V的列向量v1,...,vn也组成了Kn空间的一组标准正交基（根据向量空间的标准点积法则）。
矩阵
M
{\displaystyle M}
代表从
K
n
{\displaystyle K^{n}}
到
K
m
{\displaystyle K^{m}}
的一个线性映射
T
{\displaystyle {\mathcal {T}}}
：
x
→
M
x
{\displaystyle x\rightarrow Mx}
。通过这些标准正交基，这个变换可以用很简单的方式进行描述：
T
(
v
i
)
=
σ
i
u
i
,
i
=
1
,
…
,
min
(
m
,
n
)
{\displaystyle {\mathcal {T}}(v_{i})=\sigma _{i}u_{i},i=1,\ldots ,\min(m,n)}
，其中
σ
i
{\displaystyle \sigma _{i}}
是
Σ
{\displaystyle \Sigma }
中的第i个对角元。当
i
>
min
(
m
,
n
)
{\displaystyle i>\min(m,n)}
时，
T
(
v
i
)
=
0
{\displaystyle {\mathcal {T}}(v_{i})=0}
。
这样，SVD分解的几何意义就可以做如下的归纳：对于每一个线性映射
T
:
K
n
→
K
m
{\displaystyle {\mathcal {T}}:K^{n}\rightarrow K^{m}}
，
T
{\displaystyle {\mathcal {T}}}
的奇异值分解在原空间与像空间中分别找到一组标准正交基，使得
T
{\displaystyle {\mathcal {T}}}
把
K
n
{\displaystyle K^{n}}
的第
i
{\displaystyle i}
个基向量映射为
K
m
{\displaystyle K^{m}}
的第
i
{\displaystyle i}
个基向量的非负倍数，并将
K
n
{\displaystyle K^{n}}
中余下的基向量映射为零向量。换句话说，线性变换
T
{\displaystyle {\mathcal {T}}}
在这两组选定的基上的矩阵表示为所有对角元均为非负数的对角矩阵。
SVD方法种类
编辑
GRSVD
GRSVD为其中一种SVD分解方法。他利用豪斯霍尔德变换将目标矩阵转换成双斜对角矩阵，再利用QR algorithm追踪其特征值。
此演算法的限制为，难以估计出真正的准确值。根据下图所示可观察出，误差会随着迭代次数增加而减小，最终达到饱和。
Jacobi SVD
一种SVD方法为Jacobi SVD，此种方法的复杂度较GRSVD高，但是精确度也较高。Jacobi SVD使用多次的平面旋转使得矩阵上非对角轴上的数值趋近于0。
于此，运用演算法可将矩阵转换成我们所需的型式:
将A0转换成A，成为只有对角线有值的矩阵。
下图为误差模拟图，可观察出迭代次数增加，可以相对增加其精准度。
应用
编辑
求广义逆阵（伪逆）
编辑
奇异值分解可以被用来计算矩阵的广义逆阵（伪逆）。若矩阵M的奇异值分解为
M
=
U
Σ
V
∗
{\displaystyle M=U\Sigma V^{*}}
，那么M的伪逆为
M
+
=
V
Σ
+
U
∗
,
{\displaystyle M^{+}=V\Sigma ^{+}U^{*},\,}
其中
Σ
+
{\displaystyle \Sigma ^{+}}
是
Σ
{\displaystyle \Sigma }
的伪逆，是将
Σ
{\displaystyle \Sigma }
主对角线上每个非零元素都求倒数之后再转置得到的。求伪逆通常可以用来求解最小二乘法问题。
列空间、零空间和秩
编辑
奇异值分解的另一个应用是给出矩阵的列空间、零空间和秩的表示。对角矩阵
Σ
{\displaystyle \Sigma }
的非零对角元素的个数对应于矩阵
M
{\displaystyle M}
的秩。与零奇异值对应的右奇异向量生成矩阵
M
{\displaystyle M}
的零空间，与非零奇异值对应的左奇异向量则生成矩阵
M
{\displaystyle M}
的列空间。在线性代数数值计算中奇异值分解一般用于确定矩阵的有效秩，这是因为，由于舍入误差，秩亏矩阵的零奇异值可能会表现为很接近零的非零值。
矩阵近似值
编辑
奇异值分解在统计中的主要应用为主成分分析（PCA）。数据集的特征值（在SVD中用奇异值表征）按照重要性排列，降维的过程就是舍弃不重要的特征向量的过程，而剩下的特征向量张成空间为降维后的空间。
几种程式语言中计算SVD的函式范例
编辑
Mathematica:
{U, Σ, V}=SingularValueDecomposition[a]
MATLAB：
[b c d]=svd(x)
OpenCV:
void cvSVD( CvArr* A, CvArr* W, CvArr* U=NULL, CvArr* V=NULL, int flags=0 )
Python（使用SciPy（页面存档备份，存于互联网档案馆）库）
U,s,Vh = scipy.linalg.svd(A)
R:
S=svd(x)
外部链接
编辑
LAPACK users manual （页面存档备份，存于互联网档案馆） gives details of subroutines to calculate the SVD (see also [1]（页面存档备份，存于互联网档案馆）).
Applications of SVD on PC Hansen's web site.
Introduction to the Singular Value Decomposition by Todd Will of the University of Wisconsin—La Crosse.
Los Alamos group's book chapter（页面存档备份，存于互联网档案馆） has helpful gene data analysis examples.
MIT Lecture（页面存档备份，存于互联网档案馆） series by Gilbert Strang. See Lecture #29 on the SVD.
Java SVD library routine.
Java applet demonstrating the SVD.
Java script （页面存档备份，存于互联网档案馆） demonstrating the SVD more extensively, paste your data from a spreadsheet.
Chapter from "Numerical Recipes in C"（页面存档备份，存于互联网档案馆） gives more information about implementation and applications of SVD.
Online Matrix Calculator Performs singular value decomposition of matrices.
参考文献
编辑
Demmel, J. and Kahan, W. (1990). Computing Small Singular Values of Bidiagonal Matrices With Guaranteed High Relative Accuracy. SIAM J. Sci. Statist. Comput., 11 (5), 873-912.
Golub, G. H. and Van Loan, C. F. (1996). "Matrix Computations". 3rd ed., Johns Hopkins University Press, Baltimore. ISBN 0-8018-5414-8.
Halldor, Bjornsson and Venegas, Silvia A. (1997). "A manual for EOF and SVD analyses of climate data"（页面存档备份，存于互联网档案馆）. McGill University, CCGCR Report No. 97-1, Montréal, Québec, 52pp.
Hansen, P. C. (1987). The truncated SVD as a method for regularization. BIT, 27, 534-553.
Horn, Roger A. and Johnson, Charles R (1985). "Matrix Analysis". Section 7.3. Cambridge University Press. ISBN 0-521-38632-2.
Horn, Roger A. and Johnson, Charles R (1991). Topics in Matrix Analysis, Chapter 3. Cambridge University Press. ISBN 0-521-46713-6.
Strang G (1998). "Introduction to Linear Algebra". Section 6.7. 3rd ed., Wellesley-Cambridge Press. ISBN 0-9614088-5-5.