奇异值分解（SingularValueDecomposition,SVD）可以被看做是方阵特征值分解的推广，适用于任意形状的矩阵。 　　对于矩阵$A\in\R^{m\timesn}$，不失一般性，假设$m\geqn$，奇异值分解期望实现： $A=U\SigmaV^T$ 　　其中$U,V$分别为$m,n$阶正交矩阵，其中向量称为左/右奇异向量，$\Sigma$为非负主对角线元素降序排列的$m\timesn$对角矩阵，称为奇异值矩阵。如下图所示： 　　如果$\Sigma$的秩为$r$，可以将矩阵的零略去，得到更紧凑的结果： 　　奇异值分解一定存在，可以通过构造相应的分解矩阵$U,\Sigm...