导读：Trefethen 用「球变椭圆」一句话讲尽 SVD：任何矩阵把单位球映成超椭球，奇异值就是各主轴的伸缩比。
几何定义
$A = U\Sigma V^T$：$V$ 把输入旋转到主轴方向，$\Sigma$ 沿主轴伸缩（奇异值），$U$ 再旋转。最大奇异值 $\alpha_1$ 即 $\|A\|_2$，最小奇异值决定可逆性：$\kappa(A) = \alpha_1/\alpha_n$。
四个基本子空间也随图出现：$V$ 的前 $r$ 列张成行空间，$U$ 的前 $r$ 列张成列空间——SVD 是同时「看见」四个子空间的唯一分解。
截断 SVD 与降阶
保留前 $k$ 个奇异值得到秩-$k$ 最优逼近（Eckart-Young 定理）。POD 降阶、图像压缩、主成分分析在数学上是同一件事：对数据矩阵做截断 SVD。
本站 POD-Galerkin 文章里的「快照矩阵分解」，就是 SVD 在仿真降阶中的化身。
与特征值的换算
$A^TA$ 的特征值是奇异值平方——这条换算把对称特征值算法全部移植给 SVD，也解释了为什么算 SVD 前先化成对称双对角形。
常见误区
- 把奇异值与特征值混为一谈（仅对称半正定阵二者重合）。
- 对病态问题直接求逆而不是用 SVD/正则化。
吃透自检
- 能画图说明 SVD 的「球变椭圆」几何
- 能陈述并证明思路 Eckart-Young 定理
- 能说明 SVD 与四个基本子空间的关系