目录
1. 引入
奇异值分解，singular value deconposition是6种矩阵分解方式中，综合性最强应用最广泛的分解技术，是PCA（主成分分析）的基础
六种矩阵分解技术：
只有矩阵为方阵(m=n)时，才有特征值；但对任何一个矩阵，都能求奇异值，SVD对所有矩阵均适用。
Ax=λx
矩阵乘向量（例如：Ax）是对向量做线性变换，如旋转，拉伸，翻折等。旋转与翻折可以通过正交矩阵(Orthogonal matrices)实现。
二维直角坐标系下旋转与翻折可通过如下两个正交矩阵描述：
旋转：
旋转矩阵
代表逆时针旋转
，此式在坐标变换或二维张量推导证明中常用。
对向量(1,0)与(0,1)进行旋转变换
翻折：
翻折矩阵
代表以
为对称轴，进行翻折。
对向量(1,0)与(0,1)进行翻折变换：
正交矩阵：
每列或每行只有与自身相乘时才为1，否则为0；
重点：对于正交矩阵，我们能瞬间求逆(只需转置)，这非常漂亮(通常，矩阵求逆非常耗时)
谱聚类就用到这个知识点：
X1...Xn属于A1..Ak中的某一类，通过A1的维度来观察所有的样本，总共有|A1|个样本是属于A1这一类，对于属于这一类的值标上 1/sqrt(|A|) 这样的A1的向量描述W1就有 相乘=1
2. 几何的角度理解SVD
矩阵所代表的线性变换，可分解为先旋转(或翻折)，再缩伸，最后再旋转(或翻折)的形式。
这三个过程至少具有一个，如对角阵只有缩拉。用矩阵语言描述如下：从右到左依次作用，先旋转
，再伸缩
，最后再旋转
。
详细说明：
1）对一个在
空间中的单位球，
作用为转换一下坐标基，球未变形；只是球旋转了一下而已。
2）
作用为将 n维球变为r维球(只有r个奇异值)，再进行伸缩变换，此时球变形了。
3）
作用：再进行基的转变。
矩阵作用举例：
作用在向量
上：
作用在
上：
从这里一下子看不出。
若将原始坐标逆时针旋转45°，再将M作用于旋转后的矩阵，可得到如下结果：
-->
旋转过程实际上是寻找矩阵M特征向量.也就是寻找新的正交基，
其实也就是
这其实就是逆时针旋转45°
对于一组正交基V，经过矩阵M变化后，得到正交基U，要描述这一过程，就会得到奇异值分解。奇异值就是不同基变化的伸缩量。
这个结论太重要了
3. 空间的角度理解
设矩阵
秩为r（r个单位正交基）从矩阵
行空间(row space)中找一个向量
，通过
投影到A的列空间(column space) 
方向, 
v1 --> u1
其中， 
放因子，此处与特征值类似，称为奇异值.
SVD妙处在于，在行空间中找的r个向量是正交的，即 
彼此正交，且列向量空间的r个向量也是正交的，即 
彼此正交
U为
V为：
对角阵
：
4 如何求解SVD
也就是如何求解：
U V都是正交矩阵：
为对称阵，可以进行分解：
因此：
是
特征向量归一化后组成的矩阵
是
特征向量归一化后组成的矩阵
奇异值的平方
为
或者
特征值
奇异值为正数
例：
5. SVD的应用
将代表图像的矩阵进行SVD，只保留前k个较大的奇异值( 
)，从而保留了图像的主要信息。这样操作将大大减小图像存储的内存需求。这也可用于图像去噪，因为小的奇异值一般对应着噪声。用数学语言描述如下：
前k个奇异值近似A效果是最好的
例如：若原始图像大小为mn,则压缩后大小为：mk+n*k+k。
原始图像：
取前20个奇异值就能保存其主要信息，则压缩后大小为：
压缩比为：7.67，压缩了近8倍
分别取前2，4，8，16，32，64，128个奇异值（当k=32时，已保留大部分信息）