MATLAB Eigenvalue ve SVD: Spektrumu Görselleştirin

Eigenvalue ve SVD, bir matrix’i yalnızca hücreler topluluğu olmaktan çıkarıp dönüşümün baskın yönleri, ölçekleri ve bilgi taşıyan bileşenleri olarak okumamızı sağlar. Stability, dimensionality reduction, image compression ve iterative methods bu spektral bakışın üzerine kurulur.

Websoftik Academy Eigenvalues & SVD Lab; eigen direction, Gershgorin diskleri, power ve inverse iteration, QR iteration, singular spectrum, rank ve low-rank approximation ilişkisini adım adım gösterir.

Sıfır olmayan bir v vector’u için Av=λv eşitliği sağlanıyorsa v eigenvector, λ eigenvalue’dur. Matrix transformation bu özel yönü başka bir yöne çevirmek yerine yalnızca λ kadar scale eder; λ negatifse yön tersine de döner.

Eigenvalue yalnızca square matrix için tanımlanır ve complex olabilir. Aynı eigenvalue’ya birden fazla bağımsız eigenvector karşılık gelebilir. Lab unit circle üzerindeki vector’ları dönüştürerek değişmeden kalan direction’ları görsel olarak işaretler.

Eigenvalues & SVD Lab, sekiz Polito uyumlu modülde matrix view, geometric transformation, iteration trace ve spectral chart’ı senkronize eder. Her adımda vector direction, Rayleigh quotient, residual ve convergence ölçülür.

Eigenvalue algorithms ile SVD ayrı ezber başlıkları olarak kalmaz. Singular value’ların rank, conditioning ve approximation error üzerindeki etkisi aynı spectrum panelinde takip edilir.

Bir matrix’in spectrum’u eigenvalue kümesidir. Spectral radius, eigenvalue magnitude’larının en büyüğüdür. Iterative algorithm convergence’i, dynamical system davranışı ve bazı stability koşulları doğrudan bu dağılımla ilişkilidir.

Symmetric real matrix’lerin eigenvalue’ları real, farklı eigenvalue’lara ait eigenvector’ları orthogonal seçilebilir. Bu güçlü yapı spectral theorem ile orthogonal diagonalization sağlar ve computation’ı daha güvenilir kılar.

Teoride eigenvalue’lar det(A-λI)=0 characteristic equation’ın kökleridir. Küçük symbolic örneklerde bu bağlantı öğreticidir; büyük numerical matrix’lerde polynomial coefficient üretip root hesaplamak kararsız ve pahalı olabilir.

MATLAB eig(A), doğrudan numerical eigenvalue algorithms kullanır. [V,D]=eig(A) sonucunda D diagonal eigenvalue matrix’i, V’nin column’ları ilgili eigenvector’lardır. Sonucu norm(A*V-V*D) ile residual üzerinden doğrulamak gerekir.

Her row için diagonal entry merkez, aynı row’daki off-diagonal absolute değerlerin toplamı radius alınır. Gershgorin theorem, bütün eigenvalue’ların bu disklerin birleşimi içinde kaldığını garanti eder.

Diskler exact eigenvalue vermez; spectrum için hızlı localization ve sanity check sunar. Ayrık bir disk grubu belirli sayıda eigenvalue içerir. Lab matrix elemanını değiştirdiğinizde disk merkezi, radius ve gerçek eigenvalue noktalarını eşzamanlı günceller.

Power iteration, başlangıç vector’una tekrar tekrar A uygular ve her adımda normalize eder. Başlangıç dominant eigenvector’a orthogonal değilse ve en büyük magnitude’lu eigenvalue yeterince ayrılmışsa yön dominant eigenvector’a yaklaşır.

Convergence rate yaklaşık ikinci ve birinci eigenvalue magnitude oranına bağlıdır. Spectral gap küçükse convergence yavaşlar. Lab her iteration’da angle error, Rayleigh quotient ve eigen residual’ı ayrı grafiklerde gösterir.

Inverse iteration, A’nın inverse’ini açıkça oluşturmadan her adımda bir lineer sistem çözer ve magnitude olarak sıfıra yakın eigenvalue’ya yönelir. Shifted sürümde A-μI kullanılarak μ’ya en yakın eigenvalue hedeflenir.

Aynı shifted matrix her iteration’da kullanıldığı için factorization bir kez hesaplanıp tekrar kullanılabilir. Bu bağlantıyı Linear Systems & Conditioning rehberindeki factor reuse modeliyle karşılaştırabilirsiniz.

Temel QR iteration’da Aₖ=QₖRₖ factorization’ı yapılır ve sonraki matrix Aₖ₊₁=RₖQₖ olarak kurulur. Matrix’ler similar olduğu için eigenvalue’lar korunur; uygun koşullarda yapı triangular forma yaklaşır.

Pratik eigensolver’lar önce Hessenberg reduction, sonra shift ve deflation teknikleri kullanır. Lab küçük matrix’te off-diagonal norm’un azalmasını, diagonal estimate’leri ve similarity invariant’ını her tur raporlar.

Her m×n matrix için A=UΣVᵀ singular value decomposition vardır. U ve V orthonormal direction’ları, Σ ise nonnegative singular value’ları içerir. SVD square veya diagonalizable olma koşulu istemez.

Geometrik olarak V input space’te rotation/reflection, Σ axis scale, U output space’te ikinci bir rotation/reflection uygular. Unit sphere, singular value’ların uzunluklarını belirlediği ellipsoid’e dönüşür.

Symmetric positive semidefinite matrix’te iki kavram daha yakın görünür; genel matrix’te birbirinin yerine kullanılamaz. Lab aynı nonsymmetric matrix için eigenvalue ve singular value plot’larını yan yana gösterir.

Nonzero singular value sayısı matrix rank’ına eşittir. Singular value’lar hızlı küçülüyorsa bilgi birkaç baskın direction’da yoğunlaşır. İlk k singular triplet kullanılarak oluşturulan rank-k matrix, 2-norm ve Frobenius norm’da en iyi rank-k approximation’dır.

Image compression’da k küçüldükçe storage azalır, approximation error büyür. Lab rank slider’ı ile reconstructed image, retained energy ve theoretical error değerini birlikte günceller; “kaç bileşen yeterli?” sorusu ölçülebilir olur.

Full-rank matrix’in 2-norm condition number’ı σmax/σmin oranıdır. Küçük σmin, bazı input direction’larının neredeyse çökmesi ve inverse problemin sensitivity’sinin büyümesi demektir.

Iterative eigenvalue hesaplarında ise spectral gap convergence hızını etkiler. Yakın eigenvalue’lar direction ayrımını zorlaştırır. Conditioning ve gap aynı şey değildir; biri lineer solve sensitivity’sini, diğeri belirli iterative ayrışmaların hız ve kararlılığını açıklar.

eig ve svd sonuçlarını sıralama varsayımıyla okumayın; gerekiyorsa değerleri ve vector column’larını birlikte reorder edin. Eigenvector sign veya complex phase unique değildir. SVD’de de singular vector işaretleri değişebilir fakat decomposition aynı kalır.

Büyük sparse problemde yalnızca birkaç bileşen gerekiyorsa full decomposition yerine eigs veya svds düşünülebilir. Her durumda ||Av-λv|| ve ||A-UΣVᵀ|| residual kontrollerini problem scale’ine göre normalize edin.

Eigenvalues & SVD Lab’i açın ve spektrumu formül, iteration ve geometri üzerinden birlikte okuyun. MATLAB Lab’larının tamamını görmek için 8 Academy Lab çalışma rehberine geçin.