在數學物理與資料科學的廣闊領域中， AᵀCA 矩陣 扮演著一種通用的橋樑角色。無論是計算高樓在風載下的位移（剛度），還是為雜訊繁多的統計資料尋找最佳擬合（最小平方法），其結構始終一致。當系統奇異或過定時，矩陣 A 的「完美」逆矩陣無法存在，此時 偽逆矩陣 A⁺ 便成為引導我們重返平衡狀態的關鍵。
1. 偽逆矩陣的幾何結構
偽逆矩陣 $A^+$ 是一個 $n$ 乘 $m$ 矩陣，在可能的情況下可作為完全的逆矩陣。它透過確保 $A$ 的列空間中的向量 $u_1, \dots, u_r$ 能直接映射回行空間中的 $v_1, \dots, v_r$，從而連結起 四個基本子空間 來建立聯繫。
映射規則
- 當 $i \leq r$ 時：$A^+ u_i = \frac{1}{\sigma_i} v_i$（奇異值縮放的反向）
- 當 $i > r$ 時：$A^+ u_i = 0$（左零空間被消滅）
2. AᵀCA 的建構
物理系統透過三步驟循環達成平衡：
- 運動學（$Ax=e$）： 外部位移 $x$ 產生內部應變 $e$。
- 本質定律（$y=Ce$）： 材料特性（如虎克定律）將應變轉換為內部應力 $y$。
- 平衡條件（$A^Ty=f$）： 內部應力與外部力量 $f$ 平衡。
將上述三者結合，可得主方程：$A^TCAx=f$。若 $A^TA$ 可逆，我們即可得到標準的加權最小平方法解。
3. 投影與恆等式
與標準逆矩陣不同，$AA^+$ 和 $A^+A$ 不一定會產生完整的單位矩陣。相反地，它們的作用如同 投影矩陣：
- $AA^+$ 是投射至 $A$ 的 欄空間 的投影矩陣。
- $A^+ A$ 是投射至 $A$ 的 行空間 的投影矩陣。
🎯 SVD 定義
正式的數學定義利用奇異值分解：
$A^+ = V \Sigma^+ U^T = \begin{bmatrix} v_1 \cdots v_r \cdots v_n \end{bmatrix} \begin{bmatrix} \sigma_1^{-1} & & \\ & \ddots & \\ & & \sigma_r^{-1} \\ & & & 0 \end{bmatrix} \begin{bmatrix} u_1 \cdots u_r \cdots u_m \end{bmatrix}^T$
範例演算：求秩為 1 的矩陣之 A⁺
問題
考慮 $A = \begin{bmatrix} 2 & 2 \\ 1 & 1 \end{bmatrix}$。求 $A^+$。
分析
秩 $r=1$。行空間由 $v_1 = \frac{1}{\sqrt{2}}(1, 1)$ 張成。欄空間由 $u_1 = \frac{1}{\sqrt{5}}(2, 1)$ 張成。 奇異值 $\sigma_1 = \sqrt{2^2+2^2+1^2+1^2} = \sqrt{10}$。
計算
$A^+ = v_1 \sigma_1^{-1} u_1^T = \frac{1}{\sqrt{2}}\begin{bmatrix} 1 \\ 1 \end{bmatrix} \frac{1}{\sqrt{10}} \frac{1}{\sqrt{5}}\begin{bmatrix} 2 & 1 \end{bmatrix} = \frac{1}{10} \begin{bmatrix} 2 & 1 \\ 2 & 1 \end{bmatrix}$。