精通MATLAB SVD：从理论到实践 – wiki大全

作者： /

我将为你生成一篇文章，分为以下几个部分：
1. SVD理论基础：解释什么是SVD及其数学原理。
2. MATLAB中的svd函数：介绍如何在MATLAB中使用核心函数。
3. 实践应用一：图像压缩：通过一个完整的代码示例，展示如何利用SVD压缩图像。
4. 实践应用二：数据降维与去噪：展示如何使用SVD进行信号去噪。
5. 高级技巧：介绍处理大型矩阵的svds函数。
6. 总结

现在，让我们开始撰写这篇文章。

精通MATLAB SVD：从理论到实践

奇异值分解（Singular Value Decomposition, SVD）是线性代数中一种功能强大且应用广泛的矩阵分解技术。它不仅在数学理论上具有重要意义，更在信号处理、图像压缩、推荐系统和数据科学等领域扮演着关键角色。MATLAB作为科学计算的领先平台，为SVD提供了强大而易用的支持。本文将带你从SVD的基本理论出发，通过具体的MATLAB实践，让你彻底掌握这一强大的工具。

1. SVD理论基础

对于任意一个 $m \times n$ 的实数矩阵 $A$，SVD将其分解为三个特定矩阵的乘积：

$A = U \Sigma V^T$

其中：

  • $U$ 是一个 $m \times m$ 的正交矩阵（Orthogonal Matrix），其列向量被称为“左奇异向量”。在几何上，它代表了旋转或反射变换。
  • $\Sigma$ (Sigma) 是一个 $m \times n$ 的对角矩阵（Diagonal Matrix），其对角线上的元素 $\sigma_i$ 被称为“奇异值”。这些奇异值是非负的，并且通常按从大到小的顺序排列。奇异值的大小反映了对应维度在数据中的“重要性”或“能量”。
  • $V^T$ 是一个 $n \times n$ 的正交矩阵 $V$ 的转置， $V$ 的列向量被称为“右奇异向量”。它同样代表了旋转或反射变换。

SVD分解示意图

核心思想：SVD的强大之处在于，它能将一个复杂的矩阵变换分解为三个更简单、更具几何直观性的步骤：旋转 ($V^T$)、缩放 ($\Sigma$)、再旋转 ($U$)。更重要的是，奇异值提供了一种量化数据主要特征的方法，最大的奇异值对应了数据最主要的变换方向。

2. MATLAB中的svd函数

在MATLAB中，执行SVD的核心函数是 svd。它有几种常见的用法。

完整分解

最直接的调用方式是获取完整的U, S, V矩阵。

“`matlab
% 创建一个示例矩阵
A = [1, 0, 1;
-2, 1, 0];

% 执行SVD
[U, S, V] = svd(A);

disp(‘U =’);
disp(U);

disp(‘S =’);
disp(S);

disp(‘V =’);
disp(V);

% 验证分解结果
A_reconstructed = U * S * V’;
disp(‘Reconstructed A =’);
disp(A_reconstructed);
“`

输出结果：
* U 是一个 $2 \times 2$ 的方阵。
* S 是一个 $2 \times 3$ 的对角矩阵，对角线上的元素就是奇异值。
* V 是一个 $3 \times 3$ 的方阵。
* U * S * V' 的结果将精确地还原出原始矩阵 A。

经济型分解 (Economy Size)

在很多实际应用中，我们并不需要完整的U和V矩阵。例如，如果 $m > n$，那么矩阵U的后 $m-n$ 列在与S相乘时，会乘以0，不起作用。为了节省计算资源和存储空间，可以使用“经济型”分解。

“`matlab
% m > n 的情况
A_tall = [1, 2;
3, 4;
5, 6];

% 经济型SVD
[U_econ, S_econ, V_econ] = svd(A_tall, ‘econ’);

disp(‘Size of U (full):’);
disp(size(svd(A_tall))); % U will be 3×3

disp(‘Size of U (econ):’);
disp(size(U_econ)); % U_econ will be 3×2
“`

经济型分解只计算“有效”的部分，对于 $m>n$ 的矩阵，U_econ 的大小为 $m \times n$，大大减小了存储需求。

3. 实践应用一：图像压缩

SVD最经典和直观的应用之一就是图像压缩。其原理是：图像的大部分信息（或能量）都集中在少数几个最大的奇异值上。通过保留这些主要的奇异值并丢弃次要的奇异值，我们可以在损失少量图像质量的情况下，大幅减少存储数据所需的大小。

步骤：

  1. 读取图像并转换为灰度图（简化处理）。
  2. 对图像矩阵执行SVD。
  3. 选择前 k 个最大的奇异值，并用它们来构建一个近似矩阵。
  4. 比较不同 k 值下的压缩效果和图像质量。

MATLAB代码示例：

“`matlab
% 1. 读取图像并转换为灰度图
try
% MATLAB R2020b及以后版本推荐使用 imread, im2gray
img = imread(‘cameraman.tif’); % ‘cameraman.tif’ 是MATLAB自带图像
gray_img = im2gray(img);
catch
% 兼容老版本
img_data = load(‘durer.mat’); % ‘durer.mat’ 也是自带数据
gray_img = ind2gray(img_data.X, img_data.map);
end

% 将图像矩阵转换为double类型以进行计算
A = im2double(gray_img);

% 2. 对图像矩阵执行SVD
[U, S, V] = svd(A);

% 3. 选择不同的k值进行低秩近似
k_values = [10, 30, 50]; % 尝试用10, 30, 50个奇异值来重构

figure(‘Name’, ‘SVD Image Compression’);

% 显示原图
subplot(2, 2, 1);
imshow(A);
title(‘Original Image’);

% 循环重构并显示
for i = 1:length(k_values)
k = k_values(i);

% 使用前k个奇异值重构矩阵
A_approx = U(:, 1:k) * S(1:k, 1:k) * V(:, 1:k)';

% 计算压缩率
original_size = size(U, 1) * size(V, 1);
compressed_size = size(U, 1)*k + k + size(V, 1)*k;
compression_ratio = compressed_size / original_size * 100;

subplot(2, 2, i + 1);
imshow(A_approx);
title(sprintf('k = %d (%.2f%% size)', k, compression_ratio));

end
“`

结果分析：
你会看到，当 k=10 时，图像已经能看出大致轮廓。当 k=50 时，图像质量已经非常接近原图，但所需存储的数据量（U的前k列、S的前k个值、V的前k列）远小于原始图像矩阵。这就是SVD低秩近似的魔力。

4. 实践应用二：数据降维与去噪

SVD同样可以用于信号去噪。思路与图像压缩类似：一个纯净的信号，其SVD分解后奇异值会迅速下降；而噪声则通常分布在较小的奇异值中。通过滤除这些小奇异值，可以实现去噪。

步骤：

  1. 创建一个含噪信号。
  2. 将一维信号转换为一个矩阵（通常使用“汉克尔矩阵”）。
  3. 对该矩阵进行SVD。
  4. 绘制奇异值，找到“拐点”，确定有效奇异值的数量。
  5. 用选定的奇异值重构矩阵，并将其转换回一维信号。

MATLAB代码示例：

“`matlab
% 1. 创建含噪信号
t = 0:0.01:2;
clean_signal = sin(2 * pi * 5 * t); % 5Hz正弦波
noise = 0.2 * randn(size(t));
noisy_signal = clean_signal + noise;

% 2. 将信号转换为汉克尔矩阵
L = floor(length(noisy_signal) / 2);
K = length(noisy_signal) – L + 1;
hankel_matrix = zeros(L, K);
for i = 1:K
hankel_matrix(:, i) = noisy_signal(i:i+L-1);
end

% 3. 对汉克尔矩阵进行SVD
[U, S, V] = svd(hankel_matrix);

% 4. 绘制奇异值分布，寻找“拐点”
figure(‘Name’, ‘SVD Signal Denoising’);
subplot(2, 1, 1);
semilogy(diag(S), ‘-o’);
title(‘Singular Values Distribution’);
xlabel(‘Index’);
ylabel(‘Singular Value (log scale)’);
grid on;

% 从图中可以看出，前2个奇异值远大于其他，这对应于正弦波的两个正交分量
k = 2; % 选择前2个奇异值

% 5. 重构矩阵并恢复信号
denoised_matrix = U(:, 1:k) * S(1:k, 1:k) * V(:, 1:k)’;

% 将汉克尔矩阵平均还原为一维信号
denoised_signal = zeros(size(noisy_signal));
counts = zeros(size(noisy_signal));
for i = 1:L
for j = 1:K
denoised_signal(i+j-1) = denoised_signal(i+j-1) + denoised_matrix(i,j);
counts(i+j-1) = counts(i+j-1) + 1;
end
end
denoised_signal = denoised_signal ./ counts;

% 绘图比较
subplot(2, 1, 2);
plot(t, noisy_signal, ‘b-‘, ‘DisplayName’, ‘Noisy Signal’);
hold on;
plot(t, clean_signal, ‘r–‘, ‘LineWidth’, 2, ‘DisplayName’, ‘Clean Signal’);
plot(t, denoised_signal, ‘g-‘, ‘LineWidth’, 2, ‘DisplayName’, ‘Denoised Signal’);
legend;
title(‘Signal Comparison’);
grid on;
“`

结果分析：
奇异值图中会出现一个明显的“拐点”，在此之后奇异值变得非常小。这表明信号的主要能量集中在前几个奇异值中。通过只使用这几个奇异值进行重构，我们得到的denoised_signal会非常平滑，成功滤除了大部分随机噪声。

5. 高级技巧：处理大型稀疏矩阵 svds

当处理非常大的矩阵，特别是稀疏矩阵时，计算完整的SVD既耗时又耗内存。此时，svds 函数是更好的选择。它只计算最大的几个奇异值及其对应的奇异向量。

“`matlab
% 创建一个大型稀疏矩阵
A_large_sparse = sprand(10000, 5000, 0.01);

% 计算最大的6个奇异值
% svd(A_large_sparse) 会非常慢或导致内存不足
tic;
[U_s, S_s, V_s] = svds(A_large_sparse, 6);
toc; % 耗时很短

disp(‘Size of U from svds:’);
disp(size(U_s)); % 10000×6
``svds` 是进行主成分分析（PCA）、潜在语义分析（LSA）等大规模数据降维任务时的首选工具。

6. 总结

SVD是MATLAB中一个极其强大的工具，它的价值在于能够揭示矩阵数据内部的深层结构。通过本文，我们了解到：

  • 理论上，SVD将矩阵分解为旋转、缩放、再旋转的三个步骤，奇异值量化了数据的重要性。
  • 实践中，svd 函数提供了灵活的分解方式，而 svds 则能高效处理大规模数据。
  • 应用上，无论是图像压缩还是信号去噪，SVD都通过低秩近似的思想，抓住了数据的“主要矛盾”，实现了信息保留与数据简化的完美平衡。

掌握SVD不仅能让你解决更多工程和数据问题，更能加深你对线性代数和数据分析的理解。现在就打开MATLAB，亲手尝试这些例子，体验SVD的强大之处吧！

滚动至顶部