Singulärwertzerlegung (SVD)

Das Wichtigste auf einen Blick

• SVD zerlegt eine Matrix in drei Matrizen: U, Σ und Vᵀ.
• Singulärwerte sind nicht-negative reelle Zahlen in der Diagonalmatrix Σ.
• SVD ist für beliebige rechteckige Matrizen definiert.
• Anwendungen umfassen Datenreduktion, Bildkompression und numerische Stabilität.
• Die Rangbestimmung und Pseudoinverse lassen sich mit SVD einfach berechnen.
• SVD liefert eine optimale Niedrigrangapproximation einer Matrix.

Überblick: Singulaerwertzerlegung Svd

Die Singulärwertzerlegung (SVD) stellt eine zentrale Technik in der linearen Algebra dar, die es ermöglicht, beliebige Matrizen systematisch zu analysieren und zu approximieren. Sie findet Anwendung in Bereichen wie der Datenanalyse, Signalverarbeitung, Bildkompression und maschinellem Lernen. Durch die Zerlegung einer Matrix in drei spezielle Matrizen lassen sich Eigenschaften wie Rang, Normen und Kondition einfach bestimmen. Im Folgenden werden Aufbau, Eigenschaften, Anwendungen und praktische Aspekte der SVD erläutert.

Definition der Singulärwertzerlegung

Die Singulärwertzerlegung (SVD) zerlegt eine beliebige m×n-Matrix A in das Produkt dreier Matrizen: A = U Σ Vᵀ. Dabei ist U eine m×m orthogonale (bzw. unitäre) Matrix, Σ eine m×n Diagonalmatrix mit nicht-negativen reellen Zahlen auf der Diagonale, den sogenannten Singulärwerten, und V eine n×n orthogonale (unitäre) Matrix. Die Singulärwerte sind die Quadratwurzeln der Eigenwerte von AᵀA oder AAᵀ.

Mathematische Eigenschaften

Die Matrizen U und V bestehen aus orthonormalen Spaltenvektoren, die sogenannten linken und rechten Singulärvektoren. Die Singulärwerte in Σ sind stets nicht-negativ und meist in absteigender Reihenfolge angeordnet. Die Anzahl der positiven Singulärwerte entspricht dem Rang der Matrix A. Die SVD ist einzigartig bis auf Vorzeichen der Singulärvektoren.

Beispielhafte Singulärwerte verschiedener Matrizen

Anwendungen der Singulärwertzerlegung

Die SVD wird in vielen Bereichen eingesetzt: In der Datenanalyse zur Dimensionsreduktion (z.B. Principal Component Analysis), in der Bildverarbeitung zur Kompression und Rauschunterdrückung, in der numerischen Mathematik zur Stabilisierung von Gleichungssystemen sowie in der maschinellen Lerntechnik zur Merkmalsextraktion und Modellvereinfachung.

Berechnung der SVD

Die SVD kann numerisch mit Algorithmen wie dem Golub-Kahan-Algorithmus berechnet werden. Für große Matrizen werden iterative Verfahren eingesetzt. Die Berechnung ist rechenintensiv, aber gut erforscht und in vielen Softwarebibliotheken implementiert.

Zusammenhang mit anderen Matrixzerlegungen

Die SVD ist eine Verallgemeinerung der Eigenwertzerlegung, die auch für nicht-quadratische Matrizen definiert ist. Im Gegensatz zur LU- oder QR-Zerlegung liefert die SVD stets eine optimale Approximation und ist stabiler gegenüber numerischen Fehlern.

Vorteile und Nachteile der SVD

Vorteile: universell anwendbar, liefert Rang und Pseudoinverse, numerisch stabil, optimale Approximation. Nachteile: hoher Rechenaufwand, insbesondere für sehr große Matrizen.

Wichtig

Zusatzinformationen