Den approximativa matrisen $A_k$ är $\begin{pmatrix} 4 & 0 & 0 & 0 \\ 0 & 3 & 0 & 0 \\ 0 & 0 & 0 & 0 \\ 0 & 0 & 0 & 0 \end{pmatrix}$.
Steg 1
Beskrivning: Utför singularvärdesuppdelning (SVD) på matrisen $A$.
Beräkning: Eftersom $A$ redan är en diagonalmatris, är dess SVD $A = U \Sigma V^T$, där $U = I$, $\Sigma = A$, och $V = I$.
Resultat: $U = I$, $\Sigma = \begin{pmatrix} 4 & 0 & 0 & 0 \\ 0 & 3 & 0 & 0 \\ 0 & 0 & 2 & 0 \\ 0 & 0 & 0 & 1 \end{pmatrix}$, $V = I$.
Steg 2
Beskrivning: Approximation av matrisen $A$ med rang 2 innebär att vi behåller de två största singularvärdena.
Beräkning: Behåll de två största singularvärdena i $\Sigma$, vilket ger $\Sigma_k = \begin{pmatrix} 4 & 0 & 0 & 0 \\ 0 & 3 & 0 & 0 \\ 0 & 0 & 0 & 0 \\ 0 & 0 & 0 & 0 \end{pmatrix}$.
Resultat: $\Sigma_k = \begin{pmatrix} 4 & 0 & 0 & 0 \\ 0 & 3 & 0 & 0 \\ 0 & 0 & 0 & 0 \\ 0 & 0 & 0 & 0 \end{pmatrix}$.
Steg 3
Beskrivning: Beräkna den approximativa matrisen $A_k$ genom att multiplicera $U$, $\Sigma_k$, och $V^T$.
Beräkning: $A_k = U \Sigma_k V^T = I \cdot \Sigma_k \cdot I = \Sigma_k$.
Resultat: $A_k = \begin{pmatrix} 4 & 0 & 0 & 0 \\ 0 & 3 & 0 & 0 \\ 0 & 0 & 0 & 0 \\ 0 & 0 & 0 & 0 \end{pmatrix}$.
Egenvärden och egenvektorer
Grundläggande
Förståelse av egenvärden och egenvektorer är grundläggande för att kunna utföra SVD.
Läs mer →
Matriser och matrisoperationer
Grundläggande
Kunskap om matrisoperationer är nödvändig för att hantera och manipulera matriser vid SVD.
Läs mer →
Uppgift 1 (Nivå A)
Fråga: Utför singularvärdesuppdelning på matrisen $B = \begin{pmatrix} 5 & 0 \\ 0 & 2 \end{pmatrix}$ och approximera den med en matris av rang 1.
Förklaring: Denna övning hjälper till att förstå hur man reducerar dimensionsstorleken på en matris genom att behålla de största singularvärdena.