Математика / Матрицы, определители

Сингулярное разложение матрицы

Сингулярное разложение представляет матрицу как произведение двух ортогональных матриц и диагональной матрицы сингулярных чисел. Это универсальная форма разложения, которая работает для прямоугольных матриц и показывает главные направления действия линейного отображения.

Опубликовано: 12 мая 2026 г.Обновлено: 12 мая 2026 г.

Формула

A=U\Sigma V^T,\quad U^TU=I,\quad V^TV=I

decomposition Схема SVD

Показать три последовательных шага: поворот входных осей, растяжение по главным направлениям и поворот выходных осей.

SVD удобно изображать как поворот, масштабирование и новый поворот.

Обозначения

$A$: исходная матрица размера m на n, безразмерная
$U$: ортогональная матрица левых сингулярных векторов, безразмерная
$\Sigma$: диагональная прямоугольная матрица сингулярных чисел, безразмерная
$V$: ортогональная матрица правых сингулярных векторов, безразмерная
$\sigma_i$: сингулярные числа матрицы A, безразмерная

Условия применения

Матрица A может быть прямоугольной; для вещественного случая используются транспонированные ортогональные матрицы.
Сингулярные числа обычно упорядочивают по убыванию: sigma_1 >= sigma_2 >= ... >= 0.
В комплексном случае транспонирование заменяется эрмитовым сопряжением.

Ограничения

Само разложение существует всегда, но вычислять полное SVD для больших матриц может быть дорого.
Сингулярные векторы не единственны при кратных сингулярных числах.
Малые сингулярные числа чувствительны к шуму и округлению.

Подробное объяснение

Сингулярное разложение говорит, что любое линейное преобразование можно описать через ортонормированные направления входа, независимые растяжения и ортонормированные направления выхода. Правая ортогональная матрица V выбирает удобный базис в области определения, диагональная матрица Sigma растягивает или зануляет координаты, а матрица U переносит результат в базис пространства значений. Поэтому SVD особенно удобно там, где обычные собственные значения не подходят: матрица может быть прямоугольной, иметь зависимые столбцы или плохо вести себя при диагонализации. Сингулярные числа не зависят от выбранного ортонормированного базиса и дают устойчивую характеристику размера действия матрицы. Через них получают ранг, спектральную норму, число обусловленности и псевдообратную матрицу. При работе с этой формулой важно сначала проверить размерности матриц и смысл операции. В линейной алгебре многие ошибки выглядят как верные алгебраические преобразования, но ломаются на уровне размеров: нельзя менять порядок множителей, если произведение после перестановки уже не определено, и нельзя считать обратную матрицу существующей без проверки невырожденности. В численных задачах дополнительно смотрят на обусловленность, потому что формально корректная запись может давать нестабильный ответ при округлении. Поэтому формулу полезно читать не только как способ вычисления, но и как способ увидеть структуру задачи: какие подпространства участвуют, где появляется проекция, где требуется ортогональность, а где достаточно рангового обновления.

Как пользоваться формулой

Проверьте размер матрицы A и определите, нужно ли полное или экономное разложение.
Найдите или вычислите сингулярные числа sigma_i и соответствующие матрицы U и V.
Упорядочите сингулярные числа по убыванию, если задача требует анализа ранга или приближения.
Интерпретируйте малые sigma_i отдельно: они часто отвечают за шум, неустойчивость или почти зависимые направления.

Историческая справка

Идея сингулярных чисел выросла из работ по билинейным и квадратичным формам, а современная вычислительная роль SVD укрепилась в XX веке вместе с численными методами. В учебном курсе эту формулу обычно дают после ортогональных преобразований и спектральной теоремы, потому что она объединяет геометрический и вычислительный взгляд на матрицы. Современная запись этой формулы сложилась не сразу. Сначала похожие идеи появлялись в задачах решения систем линейных уравнений, теории квадратичных форм, аналитической механике и статистике, где матрицы использовали как компактный язык для больших наборов коэффициентов. В XX веке развитие численного анализа, вычислительной техники и прикладной статистики сделало такие тождества особенно важными: стало нужно не просто доказать существование решения, а уметь устойчиво считать его на реальных данных. Поэтому историческую атрибуцию здесь лучше понимать как цепочку вкладов: алгебраическая идея, удобная матричная запись, численный алгоритм и прикладная интерпретация часто были оформлены разными авторами и школами.

Историческая линия формулы

Сингулярное разложение не стоит приписывать одному автору. В его истории обычно упоминают Эудженио Бельтрами, Камиля Жордана и более позднюю численную школу, включая работы по устойчивым алгоритмам матричных вычислений. Атрибуция этой темы распределенная: алгебраическая основа идет от теории билинейных и квадратичных форм, а современный вычислительный смысл связан с численной линейной алгеброй XX века. Поэтому страницу лучше связывать с исторической линией развития метода, а не с единственным автором.

Пример

Если A описывает преобразование двумерных данных, SVD показывает, что действие A можно разобрать на поворот или отражение, растяжение по главным осям и еще один поворот. Например, сингулярное число 5 означает, что в некотором направлении вектор растягивается в 5 раз, а сингулярное число 0.2 показывает почти сжатое направление. В прикладной задаче это помогает понять, какие компоненты данных действительно несут сигнал, а какие почти исчезают при преобразовании. В практическом расчете для "Сингулярное разложение матрицы" полезно после получения чисел проверить два факта: ортогональные множители не должны менять длину вектора, а диагональная часть должна отвечать за все растяжение. Например, если одно сингулярное число намного меньше остальных, соответствующее направление почти исчезает при действии матрицы. В анализе данных это часто означает шумовое или слабо наблюдаемое направление, а в решении систем - источник неустойчивости. Поэтому пример с числами нужно читать не только как подстановку в формулу A=U\Sigma V^T,\quad U^TU=I,\quad V^TV=I, но и как диагностику того, какие направления матрица сохраняет, усиливает или почти теряет.

Частая ошибка

Частая ошибка - воспринимать SVD как то же самое, что диагонализацию. Диагонализация требует квадратной матрицы и собственных векторов, а SVD работает и для прямоугольных матриц. Еще одна ошибка - забывать, что V^T стоит справа, а не слева: порядок множителей здесь принципиален. В численных задачах нельзя автоматически отбрасывать все малые сингулярные числа без оценки масштаба данных и шума.

Практика

Задачи с решением

SVD диагональной матрицы

Условие. Для A = diag(4, 1) запишите один возможный вид SVD.

Решение. Матрица уже диагональна с неотрицательными диагональными элементами. Можно взять U=I, V=I, Sigma=diag(4,1). Тогда A=I Sigma I^T.

Ответ. U=I, Sigma=diag(4,1), V=I.

Смысл нулевого сингулярного числа

Условие. У матрицы 3 на 3 сингулярные числа равны 7, 2, 0. Что это говорит о преобразовании?

Решение. Нулевое сингулярное число означает, что одно направление зануляется. Следовательно, матрица не имеет полного ранга, ее ранг равен двум, а обратной матрицы не существует.

Ответ. Ранг равен 2; преобразование сжимает одно ненулевое направление в ноль.

Дополнительные источники

Г. Стрэнг, Введение в линейную алгебру
Д. Лэй, Линейная алгебра и ее приложения
G. H. Golub, C. F. Van Loan, Matrix Computations
MIT OpenCourseWare, Linear Algebra

Связанные формулы

Математика

Псевдообратная для решения МНК

$\hat x=A^+b,\qquad A^+=(A^\top A)^{-1}A^\top\ (\operatorname{rank}(A)=n).$

Псевдообратная матрица A^+ записывает МНК-решение как x=A^+b и обобщает обратную матрицу на прямоугольные и вырожденные системы.

Математика

Ранг матрицы через сингулярные числа

$\operatorname{rank}(A)=\#\{i:\sigma_i>0\}$

Ранг матрицы равен количеству ненулевых сингулярных чисел. Эта формула связывает алгебраическое понятие размерности образа с численной диагностикой зависимости строк и столбцов.

Математика

Спектральная норма через сингулярные числа

$\|A\|_2=\sigma_{\max}(A)=\sqrt{\lambda_{\max}(A^TA)}$

Спектральная норма матрицы равна ее наибольшему сингулярному числу. Она показывает максимальный коэффициент растяжения вектора при действии линейного отображения.

Математика

Норма Фробениуса через след и сингулярные числа

$\|A\|_F^2=\operatorname{tr}(A^TA)=\sum_{i,j}a_{ij}^2=\sum_k\sigma_k^2$

Квадрат нормы Фробениуса равен следу матрицы A^T A, сумме квадратов всех элементов и сумме квадратов сингулярных чисел. Это удобная мера общего размера матрицы.