scipy处理复矩阵SVD求解M@x=0近似解结果不符合预期如何解决

首先可以明确：不是复数适配的问题，核心原因有两个，优先级从高到低如下：

• 复数SVD接口使用错误：scipy的scipy.linalg.svd返回的Vh是右奇异向量矩阵V的共轭转置（Hermitian转置），因此第i个右奇异向量应该是Vh[i, :].conj()，而非Vh[i, :]本身。实矩阵场景下共轭等于自身，所以你的玩具示例没有问题，但复数场景下直接用Vh[-1]计算就会出现偏差。
• 矩阵条件数远超双精度精度极限：你给出的实际场景矩阵最大奇异值约为4.4e6，最小奇异值约为5e-13，条件数超过1e19，已经远高于双精度浮点数16位十进制有效数字的精度上限，极小奇异值对应的奇异向量计算本身会引入一定的浮点误差，这是次要影响因素。

1. 修正奇异向量的取用方式，直接测试就能得到符合预期的结果：

x = Vh[-1].conj()
print(np.linalg.norm(M @ x))
# 输出量级会和s[-1]的1e-12水平一致

2. 如果需要进一步提升解的精度，可以对初始解做迭代细化：

# 迭代1-2次即可大幅降低残差
for _ in range(2):
    residual = M @ x
    delta = np.linalg.lstsq(M, residual, rcond=None)[0]
    x = x - delta
    x = x / np.linalg.norm(x) # 保持解的单位范数

3. 如果矩阵元素量级差异过大，可先对矩阵做行/列缩放预处理，降低条件数的影响，再做SVD求解。

内容的提问来源于stack exchange，提问作者Alex I