引入

矩阵对角化总结

  1. 如果矩阵1.8 SVD分解的证明 - 图1有n个线性无关的特征向量,则存在矩阵P使得1.8 SVD分解的证明 - 图2。这里P就是由这n个线性无关的特征向量所构成的,而对角阵1.8 SVD分解的证明 - 图3对角线上的值就是A的n个特征值。
  2. 如果矩阵1.8 SVD分解的证明 - 图4即A是对称阵,则一定存在正交矩阵P使得1.8 SVD分解的证明 - 图5

假设我们要处理一个1080*720分辨率的一张图片,想把它分解成一个对角矩阵两边乘以简单矩阵的形式。但是很明显这张图片表示的矩阵不是方阵,找不到这样的对角矩阵。
所以面对这样的一般矩阵要如何处理,就是下面要介绍的奇异值分解。

奇异值分解

预备知识

image.png
这里1.8 SVD分解的证明 - 图7对实数矩阵矩阵其实就是1.8 SVD分解的证明 - 图8,对复矩阵就是取一次共轭再做转置。
(1)证明:而这里我们只讨论实矩阵,所以(1)就是要证明1.8 SVD分解的证明 - 图9的特征值都是非负实数。而上一节我们讲了1.8 SVD分解的证明 - 图10是一个半正定阵(要判断是否是正定矩阵,就要用一个试探向量x,得1.8 SVD分解的证明 - 图11),所以1.8 SVD分解的证明 - 图12的所有特征值1.8 SVD分解的证明 - 图13都是大于等于0的.
(2)证明:这里其实就是要证明1.8 SVD分解的证明 - 图141.8 SVD分解的证明 - 图15的解空间是一样的,因为N(A)+R(A)=n。那么可以尝试证明1.8 SVD分解的证明 - 图161.8 SVD分解的证明 - 图17的解是否是一样的。首先易得对所有1.8 SVD分解的证明 - 图18,都有1.8 SVD分解的证明 - 图19。然后对所有1.8 SVD分解的证明 - 图20,都有1.8 SVD分解的证明 - 图21,即1.8 SVD分解的证明 - 图22,而Ax是一个列向量,所以1.8 SVD分解的证明 - 图23。这样我们就证明了1.8 SVD分解的证明 - 图241.8 SVD分解的证明 - 图25的解是完全一样的,那么1.8 SVD分解的证明 - 图261.8 SVD分解的证明 - 图27的解空间N(A)是一样的。又因为r(A)=n-N(A),所以他们的秩也是一样的。
(3)证明:
image.png

image.png
证明:首先1.8 SVD分解的证明 - 图30,所以根据上述的性质(2)1.8 SVD分解的证明 - 图31。因为1.8 SVD分解的证明 - 图32是对称矩阵,所以1.8 SVD分解的证明 - 图33,且1.8 SVD分解的证明 - 图34的对角线上分别是A的特征值1.8 SVD分解的证明 - 图35。又因为对可逆矩阵P,Q,如果1.8 SVD分解的证明 - 图36,则R(A)=R(B),所以1.8 SVD分解的证明 - 图37,所以1.8 SVD分解的证明 - 图38,所以有r个特征值1.8 SVD分解的证明 - 图39是大于0的。

SVD分解

注意这里酉矩阵是对包含复矩阵而言,对实矩阵就是正交矩阵,即1.8 SVD分解的证明 - 图40.
另外注意这里的1.8 SVD分解的证明 - 图41不一定是方阵。
image.png

image.png
以上就是任意一个矩阵的奇异值分解的证明,并且也是矩阵奇异值分解的过程,即找到一个简单的矩阵和两个正交矩阵,将其表示成简单的形式。

下面举个例子辅助理解:
image.png
image.png
image.png