奇异值分解SVD计算器

欢迎使用 奇异值分解SVD计算器，这是一款功能强大的线性代数工具，可将任何矩阵分解为其基本分量。该工具将矩阵分解为 A = UΣVᵀ，并提供分步解答、交互式可视化、秩分析、条件数、低秩逼近质量以及伪逆计算。无论您是在学习线性代数、从事机器学习，还是进行数据分析，此计算器都能提供专业级的矩阵分解服务。

什么是奇异值分解？

奇异值分解 (SVD) 是将任何 m×n 矩阵 A 分解为三个矩阵的过程：

其中：

• A 是原始的 m×n 矩阵
• U 是一个 m×m 的正交矩阵（左奇异向量，AAᵀ 的特征向量）
• Σ (Sigma) 是一个 m×n 的对角矩阵，包含非负奇异值 σ₁ ≥ σ₂ ≥ ... ≥ 0
• Vᵀ 是一个 n×n 的正交矩阵（右奇异向量，AᵀA 的特征向量）

与特征值分解不同，SVD 对于任何矩阵（包括长方形矩阵和奇异矩阵）始终存在。这种普遍性使其成为应用数学中最重要的分解方法之一。

如何计算 SVD

1. 求 AᵀA： 计算 n×n 对称矩阵 AᵀA
2. 求特征值： 解方程 det(AᵀA − λI) = 0 得到特征值 λ₁ ≥ λ₂ ≥ ... ≥ 0
3. 求奇异值： σᵢ = √λᵢ（特征值的平方根）
4. 求右奇异向量 (V)： 求 AᵀA 的特征向量，并进行正交规范化以得到 V 的列
5. 求左奇异向量 (U)： 对每个非零奇异值计算 uᵢ = Avᵢ/σᵢ，并扩展为完整的正交规范基

核心属性

矩阵的秩

矩阵 A 的 秩 等于其非零奇异值的数量。这是确定秩最数值稳定的方法，比可能受浮点误差影响的行化简法可靠得多。

条件数

条件数衡量了线性系统 Ax = b 对扰动的敏感程度。较大的 κ 表示矩阵是病态的；κ = 1 是最理想的情况（正交矩阵）。

通过 SVD 计算矩阵范数

• 谱范数 (2-范数)： \(\|A\|_2 = \sigma_1\) —— 即最大奇异值
• Frobenius 范数： \(\|A\|_F = \sqrt{\sigma_1^2 + \sigma_2^2 + \cdots}\)
• 核范数： \(\|A\|_* = \sigma_1 + \sigma_2 + \cdots\) —— 所有奇异值的总和

SVD 的应用场景

低秩逼近 (Eckart–Young 定理)

Eckart–Young–Mirsky 定理指出，矩阵 A 的最佳 rank-k 逼近（在 Frobenius 范数或谱范数下）是通过仅保留前 k 个最大的奇异值得出的：

其逼近误差为：\(\|A - A_k\|_F = \sqrt{\sigma_{k+1}^2 + \cdots + \sigma_r^2}\)

SVD vs 特征值分解

常见问题解答

什么是奇异值分解 (SVD)？

奇异值分解 (SVD) 是一种矩阵分解方法，它将任何 m×n 的实数矩阵 A 分解为三个矩阵：A = UΣVᵀ，其中 U 是左奇异向量的 m×m 正交矩阵，Σ 是奇异值的 m×n 对角矩阵，Vᵀ 是右奇异向量的 n×n 正交矩阵。SVD 对任何矩阵都存在。

奇异值有什么用途？

奇异值揭示了矩阵的基本属性：秩（非零奇异值的数量）、条件数（最大与最小奇异值之比）以及矩阵范数。它们广泛应用于数据压缩（仅保留最大的奇异值）、主成分分析 (PCA)、降噪、推荐系统以及求解最小二乘问题。

SVD 和特征值分解有什么区别？

特征值分解仅适用于方阵，且要求矩阵可对角化。SVD 适用于任何 m×n 矩阵（包括长方形矩阵）且始终存在。对于对称正半定矩阵，SVD 和特征值分解是一致的。SVD 使用两个不同的正交基（U 和 V），而特征值分解使用一个。

SVD 与 PCA 有什么关系？

PCA（主成分分析）直接通过 SVD 计算。当你对数据矩阵 X 进行中心化并将其 SVD 计算为 X = UΣVᵀ 时，V 的列就是主成分（最大方差的方向），Σ 中的奇异值编码了沿每个分量的标准差，而 UΣ 则给出了新坐标系下的投影数据。 对于 N 个已中心化的观测值（N > 1）， Var(PCᵢ) = σᵢ²/(N−1), SD(PCᵢ) = σᵢ/√(N−1).

什么是低秩逼近？

矩阵 A 的 rank-k 逼近仅保留前 k 个最大的奇异值及其对应的向量：A_k = U_k Σ_k V_k^T。根据 Eckart-Young 定理，这是 Frobenius 范数和谱范数下的最佳 rank-k 逼近。这是图像压缩、潜在语义分析和降维的数学基础。

矩阵的条件数是什么？

条件数 κ(A) = σ_max / σ_min 是最大奇异值与最小奇异值之比。它衡量了线性系统 Ax = b 的解对扰动的敏感程度。大的条件数意味着矩阵是病态的，输入中的微小误差可能导致解的巨大误差。条件数为 1（正交矩阵）是最理想的情况。

其他资源

• 低秩逼近 - 维基百科
• Moore-Penrose 伪逆 - 维基百科