SVD分解在很多经典应用中都有用到，比如

数据压缩

，

降噪

等，PCA也和SVD有着紧密联系，这里记录自己关于SVD分解求解最小二乘解的学习笔记，若有错误请指出，谢谢。

在实践中，由于存在

测量误差

和

多次测量

，所以超定方程是很常见的，所谓的超定方程是方程个数

多于

未知数个数的方程组，而对于线性方程组来说可能

有解

也有可能

无解，

如果没有解就不解了吗，不是的，我们还是要求必须解出来的，即使结果是个非精确的解，而这个解叫做线性最小二乘解。线性方程组分为两种，如下：

非齐次方程（Ax=b）的最小二乘解求解方法

正规方程求解
乔姆斯基分解法求解
QR分解法求解
奇异值分解法求解（

SVD

）

齐次方程（Ax=0）的最小二乘解求解方法

1.线性空间

线性空间的属性：

维数：n
基：一组 n 个线性无关的向量

线性空间需要满足的条件：

加法封闭（可加性）：空间内任意两向量相加（减），结果必须还在空间中。

数乘封闭（齐次性）：空间内任意向量乘以标量，结果必须还在空间中。

注意

：

“数乘封闭”隐含了：线性空间必须包括零向量（当 λ=0时）；

2.矩阵4个子空间

首先，介绍下矩阵的秩（rank），即矩阵

最大线性无关组

中包含的向量数 ——刨除所有对张成的空间“

毫无贡献

”的向量（即线性相关的）后，剩下的有效向量数目。

假设 A 是 m×n 的矩阵，其秩为 r ：

行空间（row space）

A 中所有行向量张成的子空间，维度是 r，记作：

列空间（column space）

A 中所有列向量张成的子空间，维度是 r，记作：

零空间（nullspace）

以 A 为系数矩阵的齐次线性方程组的所有非平凡解集张成的子空间，说人话就是“能令 Av = 0 的所有非零 v”：

左零空间（left nullspace）

类似列空间和行空间的关系，左零空间是 A 的转置的零空间；“左零”的说法来自其定义中矩阵是“左乘”到向量上的，而不是习惯上的右乘：

注意：

矩阵非奇异（可逆）

的充分必要条件是

矩阵的行、列数都等于秩

，即满秩矩阵
无论是行向量之间，还是列向量之间，

都

线性无关，即矩阵中的每一行都为行空间贡献了维度，每一列都为列空间贡献了维度。
非奇异矩阵的

零空间

和

左零空间

就成了

零维

的，即其中只包含零向量

3.四个基本子空间的关系

对于线性变换：

这个变换的过程中：

向量 x 来自 A 的

行空间

或

零空间

（左侧的两个空间），变化后到达列空间。

按照矩阵乘法的定义，b是 A 中各列按照 x 的线性组合（或者说以 A 中各列为基，x 的坐标表示）。

对于

非奇异矩阵 A(m*n)

，因为它是满秩的，行空间足以张成整个 Rn空间，列空间足以张成整个 Rm空间，那么行空间中所有向量一定可以一一映射到列空间中，行空间中零向量也只映射到列空间的零向量上。
对于

奇异矩阵A(m*n)

，因为行空间中存在浑水摸鱼的向量(线性相关)，其只能张成 r 维空间（r<n），剩下的 n−r维构成了零空间，零空间中的向量可能不是零，但在 A的线性变换作用下却映射到列空间的零向量上，即方程说的 Ax=0的非平凡（x不为 0 的）解。也就是说，零空间中的任何向量，和 A的任何一个行向量的内积都是 0