奇异值分解
Parent: ai_keywords
奇异值分解
核心定义
奇异值分解（Singular Value Decomposition, SVD）是线性代数中一种核心的矩阵因子分解方法。对于任意实矩阵 (A \in \mathbb{R}^{m \times n})，SVD 将其分解为三个矩阵的乘积：
[
A = U \Sigma V^T
]
其中 (U \in \mathbb{R}^{m \times m}) 和 (V \in \mathbb{R}^{n \times n}) 均为正交矩阵（或酉矩阵），(\Sigma \in \mathbb{R}^{m \times n}) 是对角矩阵，对角线上的非负元素称为奇异值，按降序排列。SVD 揭示了矩阵的几何本质：它将线性变换分解为旋转、缩放和另一个旋转的级联。
关键技术点
-
数据降维与压缩：通过保留最大的 (k) 个奇异值及其对应的左右奇异向量，可得到矩阵的最优 (k) 秩近似（Eckart–Young 定理）。这是主成分分析（PCA）的数值实现基础，广泛应用于图像压缩和特征提取。
-
与 PCA 的等价性：对数据矩阵 (\tilde{A})（已中心化）进行 SVD，其右奇异向量 (V) 即为 PCA 的主方向，奇异值平方与协方差矩阵的特征值线性相关。SVD 比直接计算协方差矩阵更数值稳定。
-
矩阵逆与伪逆：通过 SVD 可计算 Moore–Penrose 伪逆 (A^+ = V \Sigma^+ U^T)，其中 (\Sigma^+) 由奇异值的倒数（非零）构成。这在求解最小二乘问题、系统辨识中至关重要。
-
噪声抑制与信号分离：小奇异值通常对应噪声成分，截断奇异值（TSVD）可在保留主要信号的同时有效去噪，适合处理高频干扰或运动伪影。
医学/神经科学应用场景
在神经电生理研究中，多通道脑电图（EEG）或脑磁图（MEG）数据常具有高时间分辨率和高维特性。首都医科大学神经病学团队（如宣武医院）在帕金森病（PD）患者步态冻结与脑网络异常研究中，利用 SVD 对多通道 EEG 进行时空分解：将信号矩阵 (A_{\text{通道} \times \text{时间}}) 分解后，前几个奇异向量可提取出与运动规划相关的节律性网络模式（如β频段振荡），而丢弃对应小奇异值的肌电伪迹。该方法在识别 PD 患者“开关期”特征方面表现优异，且无需预设滤波参数。此外，在癫痫发作检测中，SVD 能分离出高幅棘波对应的低秩分量，提升动态定位致痫区的准确性。
