📚 什么是SVD？
奇异值分解（Singular Value Decomposition, SVD）是线性代数中一个重要的矩阵分解方法。
对于任意矩阵 A (m×n)，SVD将其分解为三个矩阵的乘积：A = UΣVᵀ
其中：
- U：m×m 正交矩阵（左奇异向量）
- Σ：m×n 对角矩阵（奇异值）
- V：n×n 正交矩阵（右奇异向量）
🧮 数学公式
A = UΣVᵀ
A = U \begin{bmatrix} \sigma_1 & 0 & \cdots & 0 \\ 0 & \sigma_2 & \cdots & 0 \\ \vdots & \vdots & \ddots & \vdots \\ 0 & 0 & \cdots & \sigma_r \end{bmatrix} V^T