
奇异值分解(SVD)将任意矩阵的线性变换过程拆解为旋转、伸缩和重投影三个清晰步骤。通过正交矩阵 V 进行坐标系转换,利用对角矩阵 Sigma 实现各维度上的缩放,最后由正交矩阵 U 完成输出空间的重组。奇异值不仅量化了空间在各轴向上的拉伸倍数,其数值大小还揭示了矩阵的秩及可逆性,是处理病态矩阵和数据压缩的核心工具。通过保留前 K 个较大的奇异值进行低秩近似,可以在大幅减少数据量的同时保留图像的主要轮廓与特征。这种方法直观地展示了矩阵信息的主次分布,为理解线性代数中的空间变换提供了深刻的几何视角。
Sign in to continue reading, translating and more.
Continue