广告
模态空间—奇异值分解（SVD）的简单介绍
2018-04-03 10:34:01· 来源：德国M十P国际公司北京代表处
我一直听人说SVD，您能为我简单介绍一下吗？当然可以。
我一直听人说SVD，您能为我简单介绍一下吗？
当然可以。
作者：Peter Avitabile 翻译：倪昊、焦吉祥（德国m+p国际公司）
我很奇怪你没有早一些来问这个问题。SVD，也就是奇异值分解，可能是最重要的线性代数工具之一，今天我们用它来解决很多结构动力学问题。首先，先介绍一下SVD的数学表达式，以及它的一些变体形式，接着描述一下在试验模态分析中它通常用在什么地方。当然，我会尽量介绍SVD的使用，而不是列出详尽的数学推导。
首先，我们需要知道从这儿开始就要跟矩阵打交道了。（我知道当我们说到矩阵的时候，你们都会颤抖——但是正如我之前所说“矩阵是你的朋友！”）假设我们有某个矩阵[A]，它是一个n×n的方阵。SVD的基本方程是
这个表达式看上去比较简单，但将某些项展开来看一看SVD的作用
将其展开得到
这真让人难以置信，因为这意味着矩阵A是由一组向量和奇异值构成的。
我们也可以说矩阵A的一部分是由其它矩阵组成的，它们可以用一个向量和其相应的特征值来简单描述。所以SVD能够确定矩阵组成中的主要成分，这也意味着可以确定矩阵的秩。我们试着给出一些数值来看看这到底是什么意思。
我们以一个简单的向量和特征值开始来说明SVD的基本方程。定义向量、奇异值如下
将这些因子简单相乘，可得到矩阵A
这非常简单，因为我从一个向量开始，接着构成了一个矩阵。这个矩阵显然是一个大小为3×3的矩阵，但它的秩是多少呢？观察矩阵的各个行，能很快发现第2、3行与第1行线性相关。这意味着尽管得到了一个3×3的矩阵，但构成这个矩阵的只有一个线性独立成分。（当然，我们知道这是正确的，因为我们是根据一个向量来构成的矩阵）。我们就可以说这个矩阵的秩是1——因为只有一个线性独立成分构成这个矩阵。
现在考虑另外一个简单的向量和特征值，即
将这些因子简单相乘，得到矩阵A
同样，对于这个矩阵我可以做出跟之前的第1个矩阵完全相同的解释。这个矩阵的秩是1，因为它也是根据一个线性独立成分构成的。
现在，考虑一个一般形式的矩阵，如
这个矩阵是3×3矩阵，但我并不清楚它的秩是多少。确定秩的最简单的方法是对矩阵进行SVD，最后的分解结果是
所以SVD的优美之处在于，我可以利用组成矩阵的线性独立的成分来写出矩阵A。这可以利用求和的形式来表示
所以我认为这有助于解释SVD的基本原理。但是现在我需要讨论几个SVD的常见应用。（SVD有很多不同的应用，但这里仅讨论与试验测试相关的一些应用）
SVD在试验模态测试中的一个应用是MIMO数据的采集。对于所有的MIMO激振器，尽管数据采集系统可以生成互不相关的力信号（线性不相关），但每个激振器实际的激振力或许并不能完全不相关，这是由于激振器与结构之间存在相互作用。
因此我们需要检查输入谱之间的线性不相关程度。在MIMO数据采集的过程中，激振器的Gxx可以用来完成主成分分析。这项技术利用SVD将Gxx矩阵进行分解，然后在频域上画出每个输入对应的奇异值。如果激振器完全线性无关，那么在每一个独立输入的频率上都有一个明显的奇异值，如图1所示。
图1 两个激振器MIMO数据的SVD分解
另一个应用是用于模态参数估计。可以利用SVD将不同参考点得到的FRF矩阵进行分解，以确定系统的根（或模态）在什么位置。这种分解是CMIF模态参数估计方法的基础。SVD得到的奇异值图可以提供用于指示系统模态所在的位置的示意图。图2展示了一个有重根的系统的典型示意图。
图2
尽管SVD还有很多其他应用，这里不能详尽介绍，但我希望这几个例子能有助于你更好地理解这项技术。如果你有关于模态分析的任何其他问题，欢迎垂询。
当然可以。
作者：Peter Avitabile 翻译：倪昊、焦吉祥（德国m+p国际公司）
我很奇怪你没有早一些来问这个问题。SVD，也就是奇异值分解，可能是最重要的线性代数工具之一，今天我们用它来解决很多结构动力学问题。首先，先介绍一下SVD的数学表达式，以及它的一些变体形式，接着描述一下在试验模态分析中它通常用在什么地方。当然，我会尽量介绍SVD的使用，而不是列出详尽的数学推导。
首先，我们需要知道从这儿开始就要跟矩阵打交道了。（我知道当我们说到矩阵的时候，你们都会颤抖——但是正如我之前所说“矩阵是你的朋友！”）假设我们有某个矩阵[A]，它是一个n×n的方阵。SVD的基本方程是
这个表达式看上去比较简单，但将某些项展开来看一看SVD的作用
将其展开得到
这真让人难以置信，因为这意味着矩阵A是由一组向量和奇异值构成的。
我们也可以说矩阵A的一部分是由其它矩阵组成的，它们可以用一个向量和其相应的特征值来简单描述。所以SVD能够确定矩阵组成中的主要成分，这也意味着可以确定矩阵的秩。我们试着给出一些数值来看看这到底是什么意思。
我们以一个简单的向量和特征值开始来说明SVD的基本方程。定义向量、奇异值如下
将这些因子简单相乘，可得到矩阵A
这非常简单，因为我从一个向量开始，接着构成了一个矩阵。这个矩阵显然是一个大小为3×3的矩阵，但它的秩是多少呢？观察矩阵的各个行，能很快发现第2、3行与第1行线性相关。这意味着尽管得到了一个3×3的矩阵，但构成这个矩阵的只有一个线性独立成分。（当然，我们知道这是正确的，因为我们是根据一个向量来构成的矩阵）。我们就可以说这个矩阵的秩是1——因为只有一个线性独立成分构成这个矩阵。
现在考虑另外一个简单的向量和特征值，即
将这些因子简单相乘，得到矩阵A
同样，对于这个矩阵我可以做出跟之前的第1个矩阵完全相同的解释。这个矩阵的秩是1，因为它也是根据一个线性独立成分构成的。
现在，考虑一个一般形式的矩阵，如
这个矩阵是3×3矩阵，但我并不清楚它的秩是多少。确定秩的最简单的方法是对矩阵进行SVD，最后的分解结果是
所以SVD的优美之处在于，我可以利用组成矩阵的线性独立的成分来写出矩阵A。这可以利用求和的形式来表示
所以我认为这有助于解释SVD的基本原理。但是现在我需要讨论几个SVD的常见应用。（SVD有很多不同的应用，但这里仅讨论与试验测试相关的一些应用）
SVD在试验模态测试中的一个应用是MIMO数据的采集。对于所有的MIMO激振器，尽管数据采集系统可以生成互不相关的力信号（线性不相关），但每个激振器实际的激振力或许并不能完全不相关，这是由于激振器与结构之间存在相互作用。
因此我们需要检查输入谱之间的线性不相关程度。在MIMO数据采集的过程中，激振器的Gxx可以用来完成主成分分析。这项技术利用SVD将Gxx矩阵进行分解，然后在频域上画出每个输入对应的奇异值。如果激振器完全线性无关，那么在每一个独立输入的频率上都有一个明显的奇异值，如图1所示。
图1 两个激振器MIMO数据的SVD分解
另一个应用是用于模态参数估计。可以利用SVD将不同参考点得到的FRF矩阵进行分解，以确定系统的根（或模态）在什么位置。这种分解是CMIF模态参数估计方法的基础。SVD得到的奇异值图可以提供用于指示系统模态所在的位置的示意图。图2展示了一个有重根的系统的典型示意图。
图2
尽管SVD还有很多其他应用，这里不能详尽介绍，但我希望这几个例子能有助于你更好地理解这项技术。如果你有关于模态分析的任何其他问题，欢迎垂询。
广告
广告
最新资讯
-
NVIDIA 发布 2025 财年第三季度财务报告
2024-11-21 13:30
-
Mack卡车为买家推出创新的虚拟现场探索体验
2024-11-21 13:29
-
氢燃料电池卡车从1到100要多长时间？戴姆勒
2024-11-21 13:28
-
聚焦消费者用车极限环境，2024中国汽研汽车
2024-11-21 13:21
-
新能源汽车高寒环境可靠性行驶试验研究
2024-11-21 13:19
广告
广告
