Eine Zerlegung einer Matrix A in A = U Σ V^*, wobei U und V unitäre (bei reellen Matrizen orthogonale) Matrizen sind und Σ eine diagonale (oder rechteckige) Matrix nichtnegativer Singulärwerte ist; sie zeigt Rang, Bild und Kernstruktur.

Prinzip

Die SVD stellt orthonormale Eingangs- und Ausgangsbasen bereit, die die Wirkung von A bis auf nichtnegative Skalierung diagonalisiert: A bildet den i-ten rechten Singulärvektor auf den i-ten linken Singulärvektor skaliert durch den i-ten Singulärwert ab. Sie existiert für jede Matrix und ist bis auf Vorzeichen/Phase bei mehrfachen Singulärwerten eindeutig.

Demonstration

Für A = [[3,0],[0,2]] ist eine SVD U=I, Σ=diag(3,2), V=I. In der Hauptkomponentenanalyse identifiziert die SVD einer zentrierten Datenmatrix orthogonale Hauptachsen und deren Varianzen (quadratische Singulärwerte). Bei kleinsten Quadraten liefert die SVD einen stabilen Löser und die Pseudoinverse durch Invertieren der nichtverschwindenden Singulärwerte.

Fehlanwendung

Die SVD blind auf Daten anwenden ohne Zentrierung oder Normierung (die globale Mittel als Signal fehlinterpretieren) oder Singulärwerte zu truncieren ohne die Auswirkung auf relevante Beobachtungen zu prüfen. SVD mit der Eigenzerlegung von A (statt A^*A) verwechseln, insbesondere bei nicht-symmetrischen Matrizen.

Konsequenz

SVD liefert die beste Rang-k-Approximation in Spektral- und Frobenius-Normen, berechnet die Moore–Penrose-Pseudoinverse, macht numerischen Rang und Kern sichtbar für Regularisierung und stabilisiert lineare inverse Probleme.

Umkehrung

Die Zerlegung so umzukehren, dass dieselbe Basis links und rechts diagonalisiert (also A sei unitär diagonalisierbar) — die umgekehrte Idee ist die Eigenzerlegung, die bei den meisten nichtnormalen oder rechteckigen Matrizen nicht existiert.

Abgrenzung

Gilt für alle endlichen Matrizen und kompakte Operatoren in Hilberträumen; Verallgemeinerungen auf Tensoren benötigen andere multilineare Zerlegungen. SVD setzt ein Innenprodukt voraus und liefert orthonormale Faktoren, schließt Zerlegungen mit nichtorthogonalen Basen aus.

Semantische Spannung

Spannung zwischen SVD und Eigenzerlegung/Polarzerlegung: alle beschreiben Operatorstruktur, stellen jedoch unterschiedliche Basisbedingungen (orthonormal vs. invariante Richtungen) und unterschiedliche Existenz-/Eindeutigkeitsbedingungen; die passende Zerlegung ist problemabhängig.

Synthese

SVD zerlegt jede Matrix in orthonormale Ein- und Ausgangsbasen und eine Diagonale nichtnegativer Skalierungsfaktoren (Singulärwerte), wodurch Rang, Energieverteilung und stabile Methoden zur Inversion oder Approximation sichtbar werden.