1 满秩分解（Full-Rank Factorization）

• 满秩分解定理

  设$m\times n$矩阵$A$的秩为$r>0$，则存在$m\times r$矩阵$B$（列满秩矩阵）和$r\times n$矩阵$C$（行满秩矩阵）使得
  $$A=BC$$
  并且$rank(B)=rank(C)=r$

  满秩分解不唯一

  定理：设$A$为$m\times n$矩阵，且$rank(A)=r$，存在$m$阶可逆矩阵$P$和$n$阶可逆矩阵$Q$，使得$A=P\left[\begin{array}{cc}{I}_r& 0\\ 0& 0\end{array}\right]Q$。

  证明满秩分解定理：

  $\because \left[\begin{array}{cc}{I}_r& 0\\ 0& 0\end{array}\right]=\left[\begin{array}{c}{I}_r\\ 0\end{array}\right]\left[\begin{array}{cc}{I}_r& 0\end{array}\right]$

  $\therefore A=P\left[\begin{array}{c}{I}_r\\ 0\end{array}\right]\left[\begin{array}{cc}{I}_r& 0\end{array}\right]Q$

  则令$P\left[\begin{array}{c}{I}_r\\ 0\end{array}\right]=B$，$\left[\begin{array}{cc}{I}_r& 0\end{array}\right]Q=C$，可得到$A=BC$

  $\because$ $P,C$是可逆矩阵，$B$的$r$个列是$P$的前$r$列；$C$的$r$个行是$Q$的前$r$行

  $\therefore$ $rank(B)=rank(C)=r$

• 满秩分解步骤

  1. 设$A$为$m\times n$矩阵，首先求$rank(A)$
  2. 取$A$的$j_1,j_2,...j_r$列构成$B_{m\times r}$
  3. 取$A$的Hermite标准型（即行最简行矩阵）$H$的前$r$行构成矩阵$C_{r\times n}$
  4. 则$A=BC$就是矩阵$A$的一个满秩分解

• Python求解满秩分解

  import numpy as np
  from sympy import Matrix'''
  Full-Rank Factorization
  @params: A Matrix
  @return: F, G Matrix
  '''
  def full_rank(A):r = A.rank()A_arr1 = np.array(A.tolist())# 求解A的最简行阶梯矩阵，要转换成list，再转换成arrayA_rref = np.array(A.rref()[0].tolist())k = [] # 存储被选中的列向量的下标# 遍历A_rref的行for i in range(A_rref.shape[0]):# 遍历A_rref的列for j in range(A_rref.shape[1]):# 遇到1就说明找到了A矩阵的列向量的下标# 这些下标的列向量组成F矩阵，然后再找下一行if A_rref[i][j] == 1:k.append(j)break# 通过选中的列下标，构建F矩阵       B = Matrix(A_arr1[:,k])# G就是取行最简行矩阵A的前r行构成的矩阵C = Matrix(A_rref[:r])return B, Cif __name__ == "__main__":# 表示矩阵AA = np.array([[1, 1, 0], [0, 1, 1], [-1, 0, 0], [1, 1, 1]])A = Matrix(A)B, C = full_rank(A)print("B:", B)print("C:", C)
  

2 三角分解（Triangular Factorization）

• $LU$分解定义

  如果有一个矩阵$A$，我们能表示下三角矩阵$L$和上三角矩阵$U$的乘积，称为$A$的三角分解或$LU$分解。

  

  更进一步，我们希望下三角矩阵的对角元素都为$1$

  

• $LU$分解定理

  若$A$是==$n$阶非奇异矩阵==，则存在唯一的单位下三角矩阵$L$和上三角矩阵$U$使得$A=LU$的充分必要条件是$A$的所有顺序主子式均非零（这一条件保证了对角线元素非零），即${\Delta }_k\ne 0(k=1,...,n-1)$

• $LU$分解步骤

  设$A$为$n\times n$矩阵

  1. 进行初等行变换（注意：不涉及行交换的初等变换），从第$1$行开始，到第$n$行结束。将第$i$行第$i$列以下的元素全部消为$0$
  2. 这样操作后得到的矩阵即为$U$
  3. 构造对角线元素全为$1$的单位下三角矩阵$L$，$L$的剩余元素通过构建方程组的形式来求解。

• Python求解$LU$分解

• $LU$分解的实际意义

  • 解线性方程组

    假设我们有一个线性方程组$Ax=b$，其中$A$是一个非奇异矩阵，而$b$是一个列向量。通过$LU$分解，我们可以将方程组转化为两个简化的方程组$Ly=b$和$Ux=y$，其中$L$是下三角矩阵，$U$是上三角矩阵。这两个方程组分别易于求解。

    具体：

    首先，通过前代法（forward substitution）解$Ly=b$，然后通过回代法（backward substitution）解$Ux=y$。这样，我们就得到了方程组的解。

• $LDU$分解定理

  设$A$是==$n$阶非奇异矩阵==，则存在唯一的单位下三角矩阵$L$，对角矩阵$D=diag(d_1,d_2,...,d_n)$和上三角矩阵$U$使得$A=LDU$的充分必要条件是$A$的所有顺序主子式均非零（这一条件保证了对角线元素非零），即${\Delta }_k\ne 0(k=1,...,n-1)$并且$d_1=a_{11},d_k=\frac{{\Delta }_k}{{\Delta }_{k+1}},k=2,...,n$

• $LDU$分解步骤

  设$A$为$n\times n$矩阵

  1. 先求$LU$分解
  2. 将$U$的对角线元素提出来构成对角矩阵$D$
  3. $U$中的元素$u_{ij}$除以$d_i$，其中$d_i$表示第$i$个对角元素。这样操作得到变换后的$U$

• Python求解$LDU$分解

  import numpy as np
  from sympy import Matrix
  import pprintEPSILON = 1e-8def is_zero(x):return abs(x) < EPSILONdef LU(A):# 断言A必须是非奇异方阵Aassert A.rows == A.cols, "Matrix A must be a square matrix"assert A.det() != 0, "Matrix A must be a nonsingular matrix"n = A.rowsU = A# 构建出U矩阵# 将U转换成list，再转换成arrayU = np.array(U.tolist())# 遍历U的每一行利用高斯消元法for i in range(n):# 判断U[i][i]是否为0assert not is_zero(U[i][i]), "主元为0，无法进行LU分解"# 对i+1行到n行进行消元for j in range(i + 1, n):# 计算消元因子factor = U[j][i] / U[i][i]# 对第j行进行消元for k in range(i, n):U[j][k] -= factor * U[i][k]# 消元后的矩阵U则是最终U矩阵U = Matrix(U)# 根据LU = A，得到L矩阵L = A * U.inv()return L, Udef LDU(A):L, U = LU(A)D = Matrix(np.diag(np.diag(U)))U = D.inv() * Ureturn L, D, Uif __name__ == '__main__':A = np.array([[2, 3, 4], [1, 1, 9], [1, 2, -6]])A = Matrix(A)'''# test LU分解L, U = LU(A)pprint.pprint("L:")pprint.pprint(L)pprint.pprint("U:")pprint.pprint(U)'''# test LDU分解L, D, U = LDU(A)pprint.pprint("L:")pprint.pprint(L)pprint.pprint("D:")pprint.pprint(D)pprint.pprint("U:")pprint.pprint(U)
  

• $PLU$分解

  PLU 分解是将矩阵$A$分解成一个置换矩阵$P$、单位下三角矩阵$L$和上三角矩阵$U$的乘积，即
  $$A=PLU$$
  之前$LU$分解中限制了行交换，如果不可避免的必须进行行互换，我们就需要进行$PLU$分解。

  实际上只需要把$A=LU$变成$P^{-1}A=P^{-1}PLU$就可以了，实际上所有的$A=LU$都可以写成$P^{-1}A=LU$的形式，由于左乘置换矩阵$P^{-1}$是在交换行的顺序，所以由$P^{-1}A=P^{-1}PLU$推得适当的交换$A$的行的顺序，即可将$A$ 做 $LU$ 分解。当$A$没有行互换时，$P$就是单位矩阵。

  事实上，所有的方阵都可以写成 $PLU$ 分解的形式，事实上，$PLU$ 分解有很高的数值稳定性，因此实用上是很好用的工具。

  有时为了计算上的方便，会同时间换行与列的顺序，此时会将 $A$ 分解成
  $$A=PLUQ$$
  其中 $P$、$L$、$U$ 同上，$Q$ 是一个置换矩阵。

3 正交三角分解（QR Factorization）

• $QR$分解定理

  设$A$是$m\times n$实（复）矩阵，$m\ge n$且其$n$个列向量线性无关，则存在$m$阶正交（酉）矩阵$Q$和$n阶$非奇异实（复）上三角矩阵$R$使得
  $$A=Q\left[\begin{array}{c}R\\ 0\end{array}\right]$$

• $QR$分解步骤

  设$A$为$3\times 3$矩阵，即$A=({\alpha }_1,{\alpha }_2,{\alpha }_3)$。则：

  1. 正交化：${\beta }_1={\alpha }_1$，${\beta }_2={\alpha }_2-k_{21}{\beta }_1$，${\beta }_3={\alpha }_3-k_{31}{\beta }_1-k_{32}{\beta }_2$，其中$k_{21}=\frac{<{\alpha }_2,{\beta }_1>}{<{\beta }_1,{\beta }_1>}$，$k_{31}=\frac{<{\alpha }_3,{\beta }_1>}{<{\beta }_1,{\beta }_1>}$，$k_{31}=\frac{<{\alpha }_3,{\beta }_2>}{<{\beta }_2,{\beta }_2>}$。

  2. 单位化得到矩阵$Q$：$Q=(\frac{{\beta }_1}{||{\beta }_1||},\frac{{\beta }_2}{||{\beta }_2||},\frac{{\beta }_3}{||{\beta }_3||})$

  3. 计算得到矩阵$R$：
     $$\left(\begin{array}{ccc}||{\beta }_1||& & \\ & ||{\beta }_2||& \\ & & ||{\beta }_3||\end{array}\right)\left(\begin{array}{ccc}1& k_{21}& k_{31}\\ & 1& k_{32}\\ & & 1\end{array}\right)=\left(\begin{array}{ccc}||{\beta }_1||& ||{\beta }_1||\times k_{21}& ||{\beta }_1||\times k_{31}\\ & ||{\beta }_2||& ||{\beta }_2||\times k_{32}\\ & & ||{\beta }_3||\end{array}\right)$$

  4. 这样，$A=QR$

• Python求解$QR$分解

  常规计算：

  import numpy as np
  import sympy
  from sympy import Matrix
  from sympy import *
  import pprint#正交三角分解（QR）
  a = [[1, 1, -1],[-1, 1, 1],[1, 1, -1],[1, 1, 1]]# a = [[1,1,-1],
  #                   [1,0,0],
  #                   [0,1,0],
  #                   [0,0,1]]
  A_mat = Matrix(a)#α向量组成的矩阵A
  # A_gs= GramSchmidt(A_mat)
  A_arr = np.array(A_mat)
  L = []
  for i in range(A_mat.shape[1]):L.append(A_mat[:,i])
  #求Q
  A_gs = GramSchmidt(L)#α的施密特正交化得到β
  A_gs_norm = GramSchmidt(L,True)#β的单位化得到vA = []for i in range(A_mat.shape[1]):for j in range(A_mat.shape[0]):A.append(A_gs_norm[i][j])#把数排成一行A_arr = np.array(A)
  A_arr = A_arr.reshape((A_mat.shape[0],A_mat.shape[1]),order = 'F')#用reshape重新排列（‘F’为竖着写）
  #得到最后的Q
  Q = Matrix(A_arr)#求RC = []
  for i in range(A_mat.shape[1]):for j in range(A_mat.shape[1]):if i > j:C.append(0)elif i == j:t = np.array(A_gs[i])m = np.dot(t.T,t)C.append(sympy.sqrt(m[0][0]))else:t = np.array(A_mat[:,j])x = np.array(A_gs_norm[i])n = np.dot(t.T,x)
  #             print(n)C.append(n[0][0])
  # C_final为R          
  C_arr = np.array(C)
  # print(C_arr)
  C_arr = C_arr.reshape((A_mat.shape[1],A_mat.shape[1]))
  R = Matrix(C_arr)pprint.pprint("Q:")
  pprint.pprint(Q)
  pprint.pprint("R:")
  pprint.pprint(R)
  

  调用库函数

  # 求矩阵A的QR分解，保留根号
  Q_, R_ = A_mat.QRdecomposition()
  pprint.pprint("Q_:")
  pprint.pprint(Q_)
  pprint.pprint("R_:")
  pprint.pprint(R_)
  assert Q_ == Q, "Q_ != Q"
  assert R_ == R, "R_ != R"
  

4 奇异值分解（SVD）

• $SVD$定理

  设$A$是$m\times n$矩阵，且$rank(A)=r$，则存在$m$阶酉矩阵$U$和$n$阶酉矩阵$V$使得
  $$A=U\left[\begin{array}{cc}\Sigma & 0\\ 0& 0\end{array}\right]V^H$$
  其中$\Sigma =diag({\sigma }_1,...,{\sigma }_r)$，且${\sigma }_1\ge ...\ge {\sigma }_r>0$。

  $\sigma$为$A$的奇异值，具体含义这里不在叙述，但需要记住的是${\sigma }^2$是$A^{H}A$的特征值，也是$A{A}^H$的特征值，且：

  1. $A^{H}A$与$A{A}^H$的特征值均为非负数
  2. $A^{H}A$与$A{A}^H$的非零特征值相同，并且非零特征值的个数（重特征值按重数计算）等于$rank(A)$

  所以我们求$\Sigma$就转换成求这两个矩阵其中一个的特征值。

• $SVD$分解步骤

  1. 求$A^{H}A$的$n$个特征值，即计算$|\lambda I-A^{H}A|=0$。得到特征值：${\lambda }_1,...,{\lambda }_r,{\lambda }_{r+1}=0,...,{\lambda }_n=0$，其中$r=rank(A)$。

  2. 将$r$个奇异值（即非零特征值开根号）从大到小排列组成对角矩阵，再添加额外的$0$构成${\Sigma }_{m\times n}$矩阵。
     $${\Sigma }_{m\times n}=\left(\begin{array}{ccccc}\sqrt[]{{\lambda }_1}& ...& 0& 0& 0\\ 0& \sqrt[]{{\lambda }_2}& 0& 0& 0\\ ...& ...& ...& ...& ...\\ ...& ...& ...& \sqrt[]{{\lambda }_r}& ...\\ 0& ...& 0& 0& 0\end{array}\right)$$

  3. 求特征值：${\lambda }_1,...,{\lambda }_r,{\lambda }_{r+1}=0,...,{\lambda }_n=0$对应的特征向量${\xi }_1,...,{\xi }_n$：当$\lambda ={\lambda }_1$时，$(\lambda I-A^{H}A)\times {\xi }_1=0$，解得${\xi }_1$，同理，计算其余特征向量。

  4. 因为${\xi }_1,...,{\xi }_n$相互正交，我们还需要进行单位化，得到$v_1,...,v_n$，即$v_1=\frac{{\xi }_1}{||{\xi }_1||},...,v_n=\frac{{\xi }_n}{||{\xi }_n||}$。则$V=(v_1,...,v_n)$。

  5. 根据$A=U_{m\times m}{\Sigma }_{m\times n}{V}_{n\times n}^H$，可得$U_1=A{V}_{n\times n}{\Sigma }_{r\times n}^{-1}$（注意，$\sigma$此时为${\Sigma }_{m\times n}$的前$r$行），易知$U_1$为$m\times r$的矩阵，我们还需要扩充$U_2$，其为$m\times (m-r)$矩阵。

  6. 取$U_1^H{U}_2=0$，取$U_2$，必须要单位化$U_2$，这样$U=[U_1:U_2]$

  7. 则$A=U_{m\times m}{\left[\begin{array}{cc}\Sigma & 0\\ 0& 0\end{array}\right]}_{m\times n}{V}_{n\times n}^H$

• Python求解奇异值分解

  import numpy as np
  from sympy import Matrix
  import pprintA = np.array([[1,0],[0,1],[1,1]])
  # 求A的奇异值分解
  U, sigma, VT = np.linalg.svd(A)
  print ("U:", U)
  print ("sigma:", sigma)
  print ("VT:", VT)