到目前为止，有熟悉的3种分解：
1. A n*n= Ln*nUn*n分解，针对【可逆】【方阵A】。L为下三角可逆方阵，U为上三角可逆方阵。
2. An*n = Qn*nRn*n分级，针对【可逆】【方阵A】。Q为单位正交矩阵，R为上三角可逆方阵。
3. An*n = Sn*n∧n*n S-1 ，针对【任意】【对称】【方阵A】。S为A的【特征(列)向量】阵，∧为【特征值】对角矩阵。可以简化为A = Q ∧‘QT ，Q为单位正交矩阵。
4. Am*n = Um*mΣm*nVn*nT，针对【任意】 矩阵A。 U是AAT 的【特征向量可逆单位方阵】，Σ是AAT 的特征值开根号，V是 ATA 的【特征向量可逆单位方阵】。
5. Am*n = Bm*rCr*n，针对【任意】 矩阵A，满秩分解。 R(A)=R(B)=R(C)=r B为列满秩，C为行满秩。满秩分解的定义、证明、求法（矩阵分解——1. 满秩分解） - 知乎 (zhihu.com)
满秩分解
A = Bm*rCr*n，是基于A = UΣVT的。
因为∑的对角线是 √λ 值或0。那么将∑分解为：
Er*r 0r*(n-r)
0m*m-r 0(m-r)*(n-r)
那么，A就变为：
A = U * [E,0]T [E,0] VT
B = U * [E,0]T
C = [E,0] VT
注意，这样的B、C不是唯一的。
求解BC：满秩分解的定义、证明、求法（矩阵分解——1. 满秩分解） - 知乎 (zhihu.com)
左右逆矩阵
B为【列满秩】，所以存在【左逆】
BL-1=(BTB)-1 BT 【列满秩】时，BTB为n*n矩阵可逆，因此 I = BL-1 *B。证明见：测绘线性代数（一）：基础 - 耀礼士多德 - 博客园 (cnblogs.com)
同理，C为【行满秩】，所以存在【右逆】
CR-1= CT(CCT)-1 , I = C * CR-1
广义逆A-
广义逆是满足：Am*n A-n*mAm*n = A 的所有A- ，A-不一定是唯一的，除非A为可逆方阵
A- = CR-1 * BL-1
代入：AA-A = (BC)(CR-1 * BL-1 )(BC) = BC = A 得证明
因为B、C不是唯一的，所以 CR-1 、 BL-1 、不唯一，因此A-不唯一。
那么：求A-的问题，变为了求B、C的问题。
伪逆A+
伪逆A+，是广义逆的一种，除了满足AA+A = A外，还【满足条件】：
(AA+)T=AA+、A+AA+=A+、(A+A)T=(A+A)
而且【只有一个】
（证明：《自由网平差与变形分析》P192）
（1）当A为任意阵，求解广义逆，见：测绘线性代数（三）：伪逆解 - 耀礼士多德 - 博客园 (cnblogs.com)
A+ = VΣ+ UT ，V、U使用SVD分解。（证明：略）
而 I = A+ A = VΣ+ (UT U)ΣVT
所以 I = Σ+ Σ ，因为Σ是 √λ 值或0，所以Σ+ 为 1/ √λ 或0。
（2）当A为【对称方阵】。
A+ = A(AA)-A(AA)-A，证明：将这个式子代入，均【满足条件】。
因此，A+ 的问题，转化为求解(AA)- 的问题，转化为变为了求B、C的问题。
设有方程组 ：
Ax = b
m行n列
*假设A为任意的形式(m>n，或m<n)。在测量的时候，通常是有m ≥ n（也就是观测方程个数 > 参数个数，例如水准测量、三角导线存在对测的情况）
*此处假如没有起算数据，那么Rank(A) < min(m,n)，通俗说，就是线性无关方程数 < 参数个数
如果有：
x = A-b，那么认为x是【其中一个】解。
之所以说，是【其中一个】，A- 可能有很多个。因为A- 可能有很多个，所以x自然有很多个。
因为A+，【只有一个】。
x = A+b，就是【最小范数解】，其实就是满足洗个∑||xi||² 最小的解。（至于为什么，暂时不知道）
最小二乘 + 最小范数解
当有Ax = B，b不在A的列空间。
p⊥(B-p) ，所以，pT(B-p) = 0。有 p = AX（p可以由A各列线性组合得到），所以：
(AX)TB = (AX)T(AX)
XTATB=XTATAX
ATB=ATAX
ATAX = ATB，因为R(A) < min(m,n)，所以ATA无逆。
问题转化：
ATA = N（N是对称方阵）
ATB = b
N X = b，那么最小范数解为：
X = N+b
通解、特解
齐次线性方程组Ax = 0和非线程方程组的 Ax = b
方程组Ax = b的解，可以理解为：
Ax = 0的解 x0 ，加上 Ax = b的解 xb
因为 A(x0+xb) = b，好像x0 很多余，没什么意义。
但是仔细看，x0 + xb 恰好是向量相加。
如果A可逆，那么x0 唯一，只能为0(想象一下，三维空间中，两个线性无关的向量形成一个平面，第三个向量不能在平面上，这3个向量要组成0向量，只能都乘以0)
x0 唯一，那么xb 也只能唯一，x0 + xb唯一，且等于xb
如果A不可逆，x0 + xb不唯一， 解的空间，可以看成所有x0和所有xb的线性组合。
而无论b是什么（可能是c、d、e、f），x0 部分都是固定的。
因此对于不可逆A，x0 有特殊意义。
为什么伪逆A+ 能满足最小范数解？
假设有线性方程组AX=B，其解为Y，那么：
AY = B
假设任意一个广义逆A-，广义逆满足：AA-A = A
AA-(AY) = B
A(A-B) = B
最终，其中一个A- ，对应其中一个X：
X = A-B
又有AX=0的一般解：X = (I - A-A)M （先不管M是有什么用的，M就是一个象征，令 A可逆时X只能为0，A不可逆时X可以不为0就行，即A-A ≠ I ）
AX = A(I - A-A)M = AM - AA-AM = 0
所以AY = B的通解：
X = A-B + (I - A-A)M
在误差方程V = Ax - l ，满足 最小二乘VTPV= min 的情况下，解方程：
ATPAx = ATPl，令ATPA = N，原方程等价于：
Nx = ATPl（其中N是对称，因为P是对称的，所以ATPA对称，所以N对称）
X的通解为：
X = N-ATPl + (I - N-N)M
假设Nm-为使得||X||最小的一个广义逆，对应的特解有：
NY=ATPl
Y = Nm-ATPl，因为||Y||是最小的，所以：
||Nm-ATPl|| ≤ || Nm-ATPl + (I - Nm-Nm)M ||
(其中一个解的长度，少于其对应的所有通解的长度)
等价于：
||Nm-Y|| ≤ || Nm-NY + (I - Nm-N)M ||
左右平方一下（因为左右都是向量，所以相当于向量自己求内积，即乘以其转置）
得到：
0 ≤ MT (I - Nm-N)T (I - Nm-N)M + 2 YT(Nm-N)T (I - Nm-N)M
显然，MT (I - Nm-N)T (I - Nm-N)M是一个向量的长度平方，肯定是大于等于0的，因此，要此式子恒成立，必须：
(Nm-N)T (I - Nm-N) = 0
所以，Nm应该满足：
(Nm-N)T = (Nm-N)T Nm-N（有一种Nm-N = I的感觉，但是不要管它先）
两边转置：
Nm-N = (Nm-N)T Nm-N
转置后，等号右边是一样的，所以，满足：
(Nm-N)T =Nm-N 的Nm- ，就能满足 ||X||²最小。
取：Nm- = NT(NNT)- 能满足 ||X||²最小。
将上式代入： N N-N = N、(N-N)T，都可以得到：
N Nm-N = N、(Nm-N)T=Nm-N
Nm- = NT(NNT)- 的Nm-满足了：
1. 是一个广义逆
2. 能够使得 ||X||²最小。
因为(NNT)- 不唯一，所以Nm- 不唯一，但是其解Y唯一。（只有伪逆N+ 才是唯一的，同时满足4个条件的N- 只有一个！）
但是其解唯一（注意，目前为止，N都是对称矩阵）
证明：任意的 Nm- = NT(NNT)- ，得到的 X =Nm- ATPl 是唯一的。
由于广义逆必须满足：
N = NNm-N
两边转置：
NT = ( NNm-N)T = (Nm-N) TNT, 又 (Nm-N)T =Nm-N 的Nm- ，就能满足 ||X||²最小。
代入得：NT = Nm-NNT
设有两个解：
X1 =Nm1- ATPl
X2 =Nm2- ATPl
那么，对应也有
NT = Nm1-NNT
NT = Nm2-NNT
那么，有：
(Nm1- - Nm2-)NNT = 0，左右两边乘以：(Nm1- - Nm2-)，得：
(Nm1- - Nm2-)NNT (Nm1- - Nm2-)T= 0