奇异值计算器 - SVD矩阵分解

奇异值分解（SVD）是线性代数中最重要的分解之一。对于任意实数 m×n 矩阵 A，SVD 将 A 表示为 A = UΣV^T，其中 U 是 m×m 的正交矩阵，Σ 是一个 m×n 的对角矩阵，对角线上为非负元素，V 是 n×n 的正交矩阵。Σ 的对角元素 σ₁ ≥ σ₂ ≥ … ≥ 0 就是 A 的奇异值。 奇异值始终是非负实数，即使原矩阵包含负值或复数结构也是如此。它们由矩阵唯一确定——不同于向量 U 和 V，当奇异值重复时它们可能并不唯一。非零奇异值的个数等于矩阵的秩，秩衡量的是列空间的维数（也就是矩阵 A 所代表的线性变换的所有可能输出所张成的空间）。 SVD 与特征值之间的关系非常精确：A 的奇异值是对称半正定矩阵 A^T·A（或等价的 A·A^T，对应左奇异向量）特征值的平方根。这个计算器先计算 A^T·A，再使用 Jacobi 特征值算法——一种通过一系列称为 Givens 旋转的正交旋转来消去对称矩阵非对角元素的迭代方法——求出其特征值，然后再取平方根。 最大奇异值 σ₁ 等于矩阵的谱范数（也称 2-范数或算子范数）——它表示矩阵对单位向量的最大拉伸倍数。Frobenius 范数是所有奇异值平方和的平方根，也等于所有矩阵元素平方和的平方根。这些范数具有实际意义：Frobenius 范数是衡量矩阵总能量最自然的指标，而谱范数则控制对扰动的敏感性。 条件数 κ = σ₁/σₙ（最大与最小奇异值之比）用于量化矩阵在线性方程求解中的病态程度。条件数接近 1 表示系统条件良好，易于精确求解。条件数非常大——例如高于 10⁶ 或 10¹²——则表明系统病态，输入中的微小扰动可能导致解发生巨大变化，这是科学计算和机器学习中数值不稳定的常见来源。 SVD 的应用非常广泛。在数据科学中，主成分分析（PCA）——降维中的核心方法——在数学上等价于对居中后的数据矩阵做 SVD。主成分就是右奇异向量 V，而每个分量解释的方差与对应奇异值的平方成正比。在图像处理和压缩中，只保留最大的 k 个奇异值及其相关向量，可以得到图像矩阵的秩-k 近似，并在所有秩-k 矩阵中使 Frobenius 范数误差最小——这就是 Eckart-Young 定理。在推荐系统（协同过滤）中，SVD 的矩阵分解用于预测用户对未见项目的评分。在工程中，伪逆 A† = VΣ†U^T 可为超定或欠定系统提供最小范数最小二乘解，这在机器人学、控制理论和信号处理中至关重要。 对于这个计算器，Jacobi 算法可以可靠处理大约 10×10 以内的矩阵。对于非常大的矩阵，或具有许多几乎重复奇异值的矩阵，由于浮点舍入误差的累积，精度可能会有一定损失，但对典型输入结果至少可达到六位有效数字。