对于任意一矩阵$A$,都可以分解成$A=U\Sigma V^T$,其中$U_{m \times m},\Sigma_{m \times n},V_{n \times n}$分别为正交矩阵,对角矩阵和正交矩阵。
在$A$的列空间中找到一组正交基$v_1,v_2,\ldots ,v_r$,在矩阵$A$的作用下转换为$A$的行空间的一组正交基$u_1,u_2,\ldots,u_r$,用矩阵表达为$$AV=U\Sigma \Rightarrow A=U\Sigma V^T$$
$A^TA=(V\Sigma^TU^T)(U\Sigma V^T)=V\Sigma^T\Sigma V^T$ ,通过矩阵的对角化将$V$和$\Sigma^T\Sigma=\Sigma^2$ 元素求解出来,其中$V$为单位话的特征向量组成的矩阵,$\Sigma^2$为特征值的平方。
$AA^T=(U\Sigma V^T)(V\Sigma^TU)=U \Sigma^2 U^T$,计算过程如上
$A=\begin{vmatrix}4 & 4 \\ -3 &3 \end{vmatrix}$
对于矩阵$A_{m \times n}$,其秩$Rank(A)\lt min(m,n)$,伪逆记为$A^+$
将矩阵$A$进行奇异值分解,$A=U\Sigma V^T$,其中对角矩阵为$$\Sigma=\begin{bmatrix} \sigma_1 & 0 & \ldots & 0 & 0 \\ 0 & \sigma_2 & \ldots & 0 & 0 \\ \vdots & \vdots & \ddots & \vdots & \vdots \\ 0 & 0 & \ldots & \sigma_r & 0 \\ 0 & 0 & \ldots & 0 & [ 0 ]\end{bmatrix}$$
则 $$\Sigma^{+}=\begin{bmatrix} \frac{1}{\sigma_1} & 0 & \ldots & 0 & 0 \\ 0 & \frac{1}{\sigma_2} & \ldots & 0 & 0 \\ \vdots & \vdots & \ddots & \vdots & \vdots \\ 0 & 0 & \ldots & \frac{1}{\sigma_r} & 0 \\ 0 & 0 & \ldots & 0 & [ 0 ]\end{bmatrix}$$
其中$\Sigma$为$m \times n$矩阵,$\Sigma^+$为$n \times m$矩阵
$A^+=V\Sigma^{+}U^T$