第2210题：SVD

矩阵的奇异值分解(Singular Value Decomposition，简写为SVD)是线性代数中的重要内容，在图像压缩、机器学习中有重要应用。奇异值分解过程是相似对角化分解、特征值分解计算的延伸。SVD可将 $m \times n$ 矩阵 $A$ 分解为 $U$ 、$\Sigma$ 、$V^T$ 三个矩阵的积，即：

$A_{m \times n} =U \Sigma V^T$

对此分解，以下叙述中正确的有(  ).

A. $U$ 是一个 $m \times m$ 的对称矩阵

B. $U$ 是一个$m \times m$ 的正交矩阵

C. $\Sigma$ 是一个$m \times n$ 的对角矩阵

D. $\Sigma$ 是一个 $n \times n$ 的对角矩阵

E. $V$ 是一个 $m \times m$ 的 对称矩阵

F. $V$ 是一个$n \times n$ 的正交矩阵