矩阵的奇异值与特征值,SVD分解与特征值分解区别与联系(正定、超定、欠定矩阵)

正定、超定、欠定矩阵

正定定义

方程个数等于未知量个数的方程组。

广义定义

设M是n阶方阵，如果对任何非零向量z，都有 z′Mz>0，其中z’ 表示z的转置，就称M正定矩阵。[1]
例如：B为n阶矩阵，E为单位矩阵，a为正实数。aE+B在a充分大时，aE+B为正定矩阵。（B必须为对称阵）。

狭义定义

一个n阶的实对称矩阵M是正定的当且仅当对于所有的非零实系数向量z，都有z′Mz>0。其中z’表示z的转置。

性质

正定矩阵在合同变换下可化为标准型， 即单位矩阵。

合同矩阵：两个实对称矩阵A和B，如存在可逆矩阵P，使得A=PTBP，就称矩阵A和B互为合同矩阵，并且称由A到B的变换叫合同变换。

所有特征值大于零的对称矩阵（或厄米矩阵）是正定矩阵。

判定定理1：对称阵A为正定的充分必要条件是：A的特征值全为正。
判定定理2：对称阵A为正定的充分必要条件是：A的各阶顺序主子式都为正。
判定定理3：任意阵A为正定的充分必要条件是：A合同于单位阵。

1.正定矩阵一定是非奇异的。非奇异矩阵的定义：若n阶矩阵A的行列式不为零，即|A|≠0。
2.正定矩阵的任一主子矩阵也是正定矩阵。
3.若A为n阶对称正定矩阵，则存在唯一的主对角线元素都是正数的下三角阵L，使得A=L∗L′，此分解式称为 正定矩阵的乔列斯基（Cholesky）分解。
4.若A为n阶正定矩阵，则A为n阶可逆矩阵。

矩阵的每一行代表一个方程，m行代表m个线性联立方程。 n列代表n个变量。如果m是独立方程数，根据m

超定方程组

方程个数大于未知量个数的方程组。

对于方程组 Ra=y，R为n×m矩阵，如果R列满秩，且n>m。

超定方程一般是不存在解的矛盾方程。

例如，如果给定的三点不在一条直线上，我们将无法得到这样一条直线，使得这条直线同时经过给定这三个点。 也就是说给定的条件（限制）过于严格， 导致解不存在。在实验数据处理和曲线拟合问题中，求解超定方程组非常普遍。比较常用的方法是最小二乘法。形象的说，就是在无法完全满足给定的这些条件的情况下，求一个最接近的解。

曲线拟合的最小二乘法要解决的问题，实际上就是求以上超定方程组的最小二乘解的问题。

欠定方程组

方程个数小于未知量个数的方程组。

对于方程组Ra=y，R为n×m 矩阵，且n<m。则方程组有无穷多组解，此时称方程组为欠定方程组。

内点法和梯度投影法是目前解欠定方程组的常用方法。

视觉标定中经常碰到这三种超定方程，简单总结下它们的一般解法。

    线性非齐次方程组Ax=b，b~=0：最小二乘法 在matlab中 可以直接x=A\b，自己一般习惯x=(A’A)(Ab)，两者在matlab中处理方法是一样的即 最小二乘法。

    线性齐次方程组Ax=0：一般用svd分解，后者是求解特征后，得到最小的特征值对应的特征向量为方程组的解，解会有很多组，可以选取归一化的那组。当然方程组一般是超定的，应该应经过A’*A处理。

    非线性方程组：levenlerg-marquaerdt，牛顿法等，前者用得比较多，在matlab中用lsqnonlin函数进行求救

奇异值分解(SVD)原理与在降维中的应用

转载https://www.cnblogs.com/pinard/p/6251584.html

奇异值分解(Singular Value Decomposition，以下简称SVD)是在机器学习领域广泛应用的算法，它不光可以用于降维算法中的特征分解，还可以用于推荐系统，以及自然语言处理等领域。是很多机器学习算法的基石。本文就对SVD的原理做一个总结，并讨论在在PCA降维算法中是如何运用运用SVD的。

1. 回顾特征值和特征向量

　　　　我们首先回顾下特征值和特征向量的定义如下：

Ax=λx　　其中A是一个n×n的矩阵，x是一个n维向量，则我们说λ是矩阵A的一个特征值，而x是矩阵A的特征值λ所对应的特征向量。

　　　求出特征值和特征向量有什么好处呢？ 就是我们可以将矩阵A特征分解。如果我们求出了矩阵A的n个特征值λ1≤λ2≤...≤λn,以及这n个特征值所对应的特征向量{w1,w2,...wn}，，如果这n个特征向量线性无关，那么矩阵A就可以用下式的特征分解表示：A=WΣW−1　　　　其中W是这n个特征向量所张成的n×n维矩阵，而Σ为这n个特征值为主对角线的n×n维矩阵。

　　　　一般我们会把W的这n个特征向量标准化，即满足||wi||2=1, 或者说wTiwi=1，此时W的n个特征向量为标准正交基，满足WTW=I，即WT=W−1, 也就是说W为酉矩阵。　　　这样我们的特征分解表达式可以写成A=WΣWT

　　　　注意到要进行特征分解，矩阵A必须为方阵。那么如果A不是方阵，即行和列不相同时，我们还可以对矩阵进行分解吗？答案是可以，此时我们的SVD登场了。

2.  SVD的定义

　　　　SVD也是对矩阵进行分解，但是和特征分解不同，SVD并不要求要分解的矩阵为方阵。假设我们的矩阵A是一个m×n

的矩阵，那么我们定义矩阵A的SVD为：A=UΣVT

　　　　其中U是一个m×m的矩阵，Σ是一个m×n的矩阵，除了主对角线上的元素以外全为0，主对角线上的每个元素都称为奇异值，V是一个n×n的矩阵。U和V都是酉矩阵，即满足UTU=I,VTV=I。下图可以很形象的看出上面SVD的定义：

　　　　那么我们如何求出SVD分解后的U,Σ,V这三个矩阵呢？

　　　　如果我们将A的转置和A做矩阵乘法，那么会得到n×n的一个方阵ATA。既然ATA是方阵，那么我们就可以进行特征分解，得到的特征值和特征向量满足下式：(ATA)vi=λivi

　　　　这样我们就可以得到矩阵ATA的n个特征值和对应的n个特征向量v了。将ATA的所有特征向量张成一个n×n的矩阵V，就是我们SVD公式里面的V矩阵了。一般我们将V中的每个特征向量叫做A的右奇异向量。

　　　　如果我们将A和A的转置做矩阵乘法，那么会得到m×m的一个方阵AAT。既然AAT是方阵，那么我们就可以进行特征分解，得到的特征值和特征向量满足下式：(AAT)ui=λiui

　　　　这样我们就可以得到矩阵AAT的m个特征值和对应的m个特征向量u了。将AAT的所有特征向量张成一个m×m

的矩阵U，就是我们SVD公式里面的U矩阵了。一般我们将U中的每个特征向量叫做A的左奇异向量。

　　　　U和V我们都求出来了，现在就剩下奇异值矩阵Σ没有求出了。由于Σ除了对角线上是奇异值其他位置都是0，那我们只需要求出每个奇异值σ就可以了。　　　　我们注意到:A=UΣVT⇒AV=UΣVTV⇒AV=UΣ⇒Avi=σiui⇒σi=Avi/ui

 　　　 这样我们可以求出我们的每个奇异值，进而求出奇异值矩阵Σ

　　　 上面还有一个问题没有讲，就是我们说ATA的特征向量组成的就是我们SVD中的V矩阵，而AAT的特征向量组成的就是我们SVD中的U矩阵，这有什么根据吗？这个其实很容易证明，我们以V矩阵的证明为例。

A=UΣVT⇒AT=VΣTUT⇒ATA=VΣTUTUΣVT=VΣ2VT

　　　上式证明使用了:UTU=I,ΣTΣ=Σ2。

可以看出ATA的特征向量组成的的确就是我们SVD中的V矩阵。类似的方法可以得到AAT的特征向量组成的就是我们SVD中的U矩阵。　　　　进一步我们还可以看出我们的特征值矩阵等于奇异值矩阵的平方，也就是说特征值和奇异值满足如下关系：

σi=λi‾‾√　　　这样也就是说，我们可以不用σi=Avi/ui来计算奇异值，也可以通过求出ATA的特征值取平方根来求奇异值。

3. SVD计算举例

　　　　　　　　　

4. SVD的一些性质　

　　　　上面几节我们对SVD的定义和计算做了详细的描述，似乎看不出我们费这么大的力气做SVD有什么好处。那么SVD有什么重要的性质值得我们注意呢？

　　　　对于奇异值,它跟我们特征分解中的特征值类似，在奇异值矩阵中也是按照从大到小排列，而且奇异值的减少特别的快，在很多情况下，前10%甚至1%的奇异值的和就占了全部的奇异值之和的99%以上的比例。也就是说，我们也可以用最大的k个的奇异值和对应的左右奇异向量来近似描述矩阵。也就是说：

Am×n=Um×mΣm×nVTn×n≈Um×kΣk×kVTk×n

　　　　其中k要比n小很多，也就是一个大的矩阵A可以用三个小的矩阵Um×k,Σk×k,VTk×n

来表示。如下图所示，现在我们的矩阵A只需要灰色的部分的三个小矩阵就可以近似描述了。

　　　　由于这个重要的性质，SVD可以用于PCA降维，来做数据压缩和去噪。也可以用于推荐算法，将用户和喜好对应的矩阵做特征分解，进而得到隐含的用户需求来做推荐。同时也可以用于NLP中的算法，比如潜在语义索引（LSI）。下面我们就对SVD用于PCA降维做一个介绍。

5. SVD用于PCA

　　　　在主成分分析（PCA）原理总结中，我们讲到要用PCA降维，需要找到样本协方差矩阵XTX

的最大的d个特征向量，然后用这最大的d个特征向量张成的矩阵来做低维投影降维。可以看出，在这个过程中需要先求出协方差矩阵XTX

ÿ