MKL库奇异值分解(LAPACKE_dgesvd)
对任意一个\(m\times n\)的实矩阵,总可以按照SVD算法对其进行分解。即:
\[A = U\Sigma V^T
\]
其中\(U、V\)分别为\(m\times m、n\times n\)的方阵,由\(A\)的左奇异向量和右奇异向量组成,且\(U\)与\(V\)均为正交阵。\(\Sigma\)为\(m\times n\)的对角矩阵,对角线上的元素为矩阵\(A\)的奇异值。
在MKL库中求解奇异值和奇异向量的函数为LAPACKE_dgesvd。
1 参数详解
lapack_int LAPACKE_dgesvd(
matrix_layout, // (input)行优先(LAPACK_ROW_MAJOR)或列优先(LAPACK_COL_MAJOR)
jobu, // (input)计算矩阵U的全部或部分并返回。
/*"A":返回U的所有M列到U,
"S":返回U的前min(m,n)列到U,
"O":返回U的前min(m,n)列到A矩阵(覆盖),
"N":不计算矩阵U*/
jobvt, // (input)计算矩阵VT的全部或部分并返回;选项列表与jobu相同;
m, // (input)A矩阵的行,m>=0
n, // (input)A矩阵的列,n>=0
a, // (input/output)A矩阵
lda, // (input)A矩阵的第一维大小
s, // (output)A矩阵的奇异值,并按照从大到小的顺序排列
u, // (output) 矩阵U元素的一维数组
ldu, // (input) U矩阵的第一维大小
vt, // (output) 矩阵VT元素的一维数组
ldvt, // (input) VT矩阵的第一维大小
superb, // (output)工作空间
)
2 定义待处理矩阵
#include <stdlib.h>
#include <stdio.h>
#include "mkl_lapacke.h"
#define min(a,b) ((a)>(b)?(b):(a))
// 矩阵维度参数
#define M 6
#define N 5
#define LDA N
#define LDU M
#define LDVT N
// 声明需要的参数
MKL_INT m = M, n = N, lda = LDA, ldu = LDU, ldvt = LDVT, info;
double superb[min(M,N)-1];
double s[N], u[LDU*M], vt[LDVT*N]; //声明奇异值与奇异向量
double a[LDA*M] = { //定义待分解的A矩阵
8.79, 9.93, 9.83, 5.45, 3.16,
6.11, 6.91, 5.04, -0.27, 7.98,
-9.15, -7.93, 4.86, 4.85, 3.01,
9.57, 1.64, 8.83, 0.74, 5.80,
-3.49, 4.02, 9.80, 10.00, 4.27,
9.84, 0.15, -8.99, -6.02, -5.31
};
3 执行SVD分解
LAPACKE_dgesvd(LAPACK_ROW_MAJOR, 'A', 'A', m, n, a, lda, s, u, ldu, vt, ldvt, superb);
结果如图:
![](https://img2022.cnblogs.com/blog/1602810/202204/1602810-20220424152420201-1844774839.png)
完整代码
#include <stdlib.h>
#include <stdio.h>
#include "mkl_lapacke.h"
#define min(a,b) ((a)>(b)?(b):(a))
// 展示奇异向量
extern void print_matrix(const char* desc, MKL_INT m, MKL_INT n, double* a, MKL_INT lda);
#define M 6
#define N 5
#define LDA N
#define LDU M
#define LDVT N
int main() {
//声明、定义输入
MKL_INT m = M, n = N, lda = LDA, ldu = LDU, ldvt = LDVT, info;
double superb[min(M, N) - 1];
double s[N], u[LDU * M], vt[LDVT * N];
double a[LDA * M] = {
8.79, 9.93, 9.83, 5.45, 3.16,
6.11, 6.91, 5.04, -0.27, 7.98,
-9.15, -7.93, 4.86, 4.85, 3.01,
9.57, 1.64, 8.83, 0.74, 5.80,
-3.49, 4.02, 9.80, 10.00, 4.27,
9.84, 0.15, -8.99, -6.02, -5.31
};
printf("LAPACKE_dgesvd (row-major, high-level) Example Program Results\n");
//计算SVD
info = LAPACKE_dgesvd(LAPACK_ROW_MAJOR, 'A', 'A', m, n, a, lda,
s, u, ldu, vt, ldvt, superb);
if (info > 0) {
printf("The algorithm computing SVD failed to converge.\n");
exit(1);
}
//奇异值
print_matrix("Singular values", 1, n, s, 1);
//左奇异向量
print_matrix("Left singular vectors (stored columnwise)", m, n, u, ldu);
//右奇异向量
print_matrix("Right singular vectors (stored rowwise)", n, n, vt, ldvt);
exit(0);
}
void print_matrix(const char* desc, MKL_INT m, MKL_INT n, double* a, MKL_INT lda) {
MKL_INT i, j;
printf("\n %s\n", desc);
for (i = 0; i < m; i++) {
for (j = 0; j < n; j++) printf(" %6.2f", a[i * lda + j]);
printf("\n");
}
}
补充:SVD分解求逆
由之前的介绍,对于任意的实数矩阵\(A\),可以进行SVD分解:
\[A = U\Sigma V^T\\
\]
其中,\(U\)、\(V^T\)为正交矩阵,\(\Sigma\)为对角矩阵。若\(A\)矩阵可逆,易得
\[A^{-1}=(U\Sigma V^T)^{-1}=V\Sigma^{-1}U^T
\]
即当使用LAPACKE_dgesvd
,将矩阵\(A\)分解出三部分后,再经过简单的转置、对角阵求逆,最后通过LAPACKE_dgemm
完成各矩阵相乘即可得到\(A\)的逆矩阵。