1 正交矩陣&正交變換
- 正交變換是保持圖形形狀和大小不變的幾何變換,包含旋轉、平移、軸對稱及這些變換的複合形式,正交變換可以保持向量的長度和向量之間的角度不變。特別的,標準正交基經正交變換後仍爲標準正交基。
- 在有限維的空間中,正交變換在標準正交基下的矩陣表示爲正交矩陣,其所有行和所有列也都各自構成一組標準正交基。
- 同時,正交變換的逆變換也是正交變換,後者的矩陣表示是前者矩陣表示的逆。
2 特徵值分解(Eigen Value Decomposition,EVD)
2.1 定義
【百度百科】特徵分解(Eigendecomposition),又稱譜分解(Spectral decomposition)是將矩陣分解爲由其特徵值和特徵向量表示的矩陣之積的方法。需要注意只有對可對角化矩陣纔可以施以特徵分解。
如果矩陣A是一個m×m的實對稱矩陣(即A=AT),那麼它可以被分解爲如下形式:
A=QΛQT=Q⎣⎢⎢⎢⎡λ10⋮00λ2⋮0⋯⋯⋱⋯00⋮λm⎦⎥⎥⎥⎤QT(2-1)
其中Q爲標準正交陣,即有QQT=I,Λ爲m×m的對角矩陣,λi稱爲特徵值,Q爲特徵矩陣,Q中的列向量qi稱爲特徵向量。
2.2 推導
假設存在m×m的滿秩對稱矩陣A,它有m個不同的特徵值λi(i=1,2,...,m),對應的特徵向量爲xi(i=1,2,...,m)(xi爲m維列向量),則有:
Ax1=λ1x1Ax2=λ2x2⋯Axm=λmxm(2-2)
令U=[x1x2⋯xm],則上式可以表示爲矩陣形式:
AU=UΛ(2-3)
Λ=⎣⎢⎢⎢⎡λ10⋮00λ2⋮0⋯⋯⋱⋯00⋮λm⎦⎥⎥⎥⎤(2-4)
進一步就可以得到A的特徵值分解:
A=UΛU−1=UΛUT(2-5)
3 奇異值分解(Singular Value Decomposition,SVD)
3.1 定義
【百度百科】奇異值分解(Singular Value Decomposition)是線性代數中一種重要的矩陣分解,奇異值分解則是特徵分解在任意矩陣上的推廣。在信號處理、統計學等領域有重要應用。
如果A是一個m×n階矩陣,則存在一個分解使得:
A=UΣVT
其中U和V分別爲m×m和n×n的酉矩陣/單位正交矩陣(即UUT=UTU=I,VVT=VTV=I)。U稱爲左奇異矩陣,V稱爲右奇異矩陣,Σ對角線上的元素σi即爲M的奇異值。一般地Σ有如下形式:
Σ=⎣⎢⎢⎢⎡σ10⋮00σ2⋮0⋯⋯⋱⋯00⋮0⎦⎥⎥⎥⎤m×n(3-1)
3.2 推導
在矩陣的特徵值分解中,矩陣A的行列維度是相同的,但在實際應用中,矩陣往往是非方陣、非對稱的(如點雲配準問題等)。爲了對這類矩陣進行分解,我們引入奇異值分解(SVD)。
假設矩陣A的維度爲m×n(m=n),雖A不是方陣,但AAT和ATA均爲方陣,其維度分別爲m×m和n×n。因此可以對這兩個方陣分別進行特徵值分解:
AAT=PΛ1PTATA=QΛ2QT(3-2)
其中Λ1和Λ2均爲對角矩陣,且兩個方陣具有相同的非零特徵值σ1,σ2,...,σk,其中k≤min(m,n)。這樣就可以進一步得到奇異值分解的公式:
A=PΛQT(3-3)
接下來通過更直觀的方式對SVD的原理和推導過程進行說明(參考:You Don’t Know SVD (Singular Value Decomposition))。
首先從最簡單的二維座標說起,任何力矢量都可以沿x和y軸分解:
這其實就是最簡單的SVD,SVD就是將向量分解到正交軸上(正交變換前的正交軸和正交變換後的正交軸)。
如下圖,我們將向量a進行分解:
可以得到3個信息:
- 投影方向(單位向量v1和v2):表示沿着x和y軸的投影方向,這也可以爲其它的正交軸;
- 投影長度(線段sa1和sa2)
- 投影向量(pa1和pa2):通過投影向量可以反向計算出原始向量a,同時我們可以發現pa1=sa1∗v1,pa2=sa2∗v2
那麼我們就可以得到一個關鍵結論:
任何向量都可以表示爲:
- 投影方向的單位矢量(v1,v2,…)
- 在投影方向上的長度(sa1和sa2,…)
將這一結論擴展到多個向量(或點)以及所有維度上,就是SVD所作的事情:
圖. 數據集的一個示例(一個點可以視爲通過原點的向量)
我們先從單個向量入手,利用矩陣來處理這看似複雜的問題。因此我們必須找到一種方法來表示使用矩陣進行向量分解的操作。
圖. 向量在傾斜的座標軸上投影
我們知道,一個向量在另一個向量上的投影長度可以用向量的點積來計算:
圖. 將$a$投影到$v_1$和$v_2$上
上式可以利用矩陣表示爲:
圖. 通過爲每個單位向量增加一個額外的列,一次寫出兩個方程
也可以將其擴展爲多個點/向量:
圖. 通過爲每個點添加額外的行。$S$是包含投影長度的矩陣
添加點b後:
進一步,將上式擴展爲任意多點和維度,有:
圖. n = 點的個數,d = 維數,A = 包含點的矩陣,V = 包含分解軸的矩陣,S = 包含投影長度的矩陣
![在這裏插入圖片描述](https://img-blog.csdnimg.cn/2020042312361059.gif#pic_center)
圖 這裏的點積就是普通的矩陣乘法
這等價於:
圖. 因爲V包含標準正交列,它的逆等於它的轉置(正交矩陣的性質)
這就是SVD所說的(記住關鍵結論):
任何向量集(A)都可以用它們在正交軸(V)上的投影長度(S)來表示。
然而,傳統的奇異值公式爲:
實際上這也就等價於求解下式的來源:
如果你仔細觀察矩陣S,你會發現它包括:
如果我們能將這些列向量歸一化是最好的,也就是說使它們具有單位長度。這是通過將每個列向量除以它的大小來實現的,但是是以矩陣的形式。
但首先,我們來看一個簡單的例子,看看這個“除法”是怎麼做的:
假設我們要把M的第一列除以2。我們肯定要乘以另一個矩陣來保持等式:
很容易證明未知矩陣就是單位矩陣,第一個元素被除數2代替
第二列除以3現在變成了一個直接的問題把單位矩陣的第二元素換成3
很明顯,這個操作可以推廣到任何大小的矩陣。
我們現在想把上面的除法概念應用到矩陣S上。爲了歸一化S的列向量,我們用它們的大小來除它們
在上面的例子中,我們對M所做的就是:
最終我們可以得到奇異值分解的公式:
當然,爲了不分散對核心概念的注意力,省略了一些細節和嚴格的數學運算。
再來看U和Σ:
那σ呢?爲什麼我們要用正常化的方式去尋找它們來增加自己的負擔呢?
我們已經看到σi是所有的點,在第i個單位向量vi上投影長度的平方和的平方根。那麼這又說明了什麼呢?
圖. 紅色線段 = v1上的投影。藍色線段 = v2上的投影。越近的點到一個特定的軸的投影,相應的σ值越大
因爲在它們的定義中,σ包含特定軸上投影長度的和,它們表示所有點到那個軸的距離。例如如果σ1>σ2,那麼大多數點更接近v1,反之亦然。這在SVD的無數應用中有着巨大的實用價值。
4 SVD的應用
SVD在數據壓縮等領域都有應用,具體參考[1][2][3][4]。
參考
[1] https://blog.csdn.net/sjyttkl/article/details/97563819
[2] https://www.zhihu.com/question/34143886/answer/196294308
[3] https://www.cnblogs.com/endlesscoding/p/10033527.html#335555762
[4] https://www.cnblogs.com/LeftNotEasy/archive/2011/01/19/svd-and-applications.html
[5] You Don’t Know SVD (Singular Value Decomposition)