SVD的Matlab实现
我试图编写matlab代码,将矩阵分解为SVD形式 “理论”: 为了得到U,我找到了AA'的特征向量,为了得到V,我找到了A'A的特征向量。最后,Sigma是一个与A维数相同的矩阵,特征值的根按顺序排列在对角线上 然而,它似乎不能正常工作SVD的Matlab实现,matlab,svd,Matlab,Svd,我试图编写matlab代码,将矩阵分解为SVD形式 “理论”: 为了得到U,我找到了AA'的特征向量,为了得到V,我找到了A'A的特征向量。最后,Sigma是一个与A维数相同的矩阵,特征值的根按顺序排列在对角线上 然而,它似乎不能正常工作 A=[2 4 1 3; 0 0 2 1]; % Get U, V [aatVecs, aatVals] = eig(A*A'); [~, aatPermutation] = sort(sum(aatVals), 'descend'); U = aatVecs
A=[2 4 1 3; 0 0 2 1];
% Get U, V
[aatVecs, aatVals] = eig(A*A');
[~, aatPermutation] = sort(sum(aatVals), 'descend');
U = aatVecs(:, aatPermutation);
[ataVecs, ataVals] = eig(A'*A);
[~, ataPermutation] = sort(sum(ataVals), 'descend');
V = ataVecs(:, ataPermutation);
% Get Sigma
singularValues = sum(aatVals(:, aatPermutation)).^0.5;
sigma=zeros(size(A));
for i=1:nnz(singularValues)
sigma(i, i) = singularValues(i);
end
A
U*sigma*V'
U*sigma*V'的返回因子似乎为-1:
ans =
-2.0000 -4.0000 -1.0000 -3.0000
0.0000 0.0000 -2.0000 -1.0000
导致它的代码或“理论”中的错误是什么?特征向量不是唯一的(因为
Av==λv
根据定义,任何w
具有μw==v
和μ~=0
的也是特征向量)。因此,eig
返回的特征向量与SVD的匹配方式不正确(即使它们已标准化)
然而,一旦我们有了V
,我们就可以构造U
,我们将在算法中找到A'*A
的特征向量。一旦您找到V
作为已排序的特征向量,就必须找到U
以匹配。由于V
是正交的,A*V==U*sigma
。所以我们可以设定
U = [A*V(:,1)./singularValues(1) A*V(:,2)./singularValues(2)];
事实上,A==U*sigma*V'
,特别是这里找到的U
正是用你的算法找到的U
的负数。虽然特征向量不是唯一的,但归一化的特征向量应该是,no?@AnaM no,因为norm(V)=norm(-V)
,使用n
特征向量,你就有了2^n
正交向量的组合。第一个元素为正的约定不会解决这个问题吗?我在去年5月写过这篇文章:。