SVD

对于正定矩阵 A 可被分解为 ，其中，Q 为正交矩阵， 在对角线上元素均为正值；

对于任意矩阵 A（方阵或长方形矩阵），可以分解为 ，其中，U，V 为两个不相同的正交矩阵， 在对角线上元素均为正值；

在矩阵 A 的行空间与零空间上任意选择正交单位向量 ，对每一个向量做线性变换 ，使得  位于矩阵 A 的列空间或者左零空间的单位向量；

使用矩阵形式表示为 ，；

由于  为任意选择正交单位向量，无法确保 U 也为正交向量，所以需要重新选择 ；

令  为  的特征向量，由于  为正定矩阵，所以  相互正交，通过如下变换可选择另一组正交向量 U：

，，则  为  的一组特征向量，

 由于 ，所以  也为一组正交向量；

 到此，可以将矩阵 A 分解为 ，U，V 均为正交矩阵，利用 可求解 ；

 综上所述，SVD 分解可按如下步骤进行：

 1）求矩阵  的一组归一化特征向量 ，该组特征向量构成矩阵 V；

 2）求矩阵  的特征值矩阵，将对角线上元素开平方即为  矩阵；

 3）使用  得到一组归一化特征向量 ，该组特征向量构成矩阵 U，完成 SVD 分解；

以上给出了 SVD 分解方法，下面使用 SVD 求解不可解方程：

1）对于对角矩阵构成的方程组 ，该方程组没有解，但方程组  的解可为其最优解；

     因此，，其中， 为矩阵 A 的伪逆；

2）对矩阵 A 进行 SVD 分解为 ，而  的伪逆就是对对角线上非零元素求倒数，且U，V均为正交矩阵，故 ；

3）求解 Ax=b 等价于 ，带入   得 ，

      由于 U 为正交矩阵，满足 ，可继续改写为 ，

      令 ，上式变换为 ，

      而  等价于 ，已知如何求解  的伪逆，故 ，

      带入  得 ，；

 参考资料 Linear Algebra And Its Applications   Gilbert Strang