过于简单的SVD矩阵解决方案

Question

我在另一个主题（Multilateration of GPS Coordinates）中找到了一段代码，它应该通过SVD方法解决矩阵。我正在使用它，但现在我必须能够解释代码的机制，我无法找到其简单性的数学原因：

    A = np.array(A)
    (_,_,v) = np.linalg.svd(A)
    # Get the minimizer
    w = v[3,:]
    w /= w[3]

然而，它适用于我的情况。这是我的一个矩阵和解决方案的示例：

Matrix A
[[ 0.01944444 -0.91680556  0.4567078 ]
 [ 0.         -0.93430556  0.47549222]]

Matrix v
[[-0.00927192  0.89308049 -0.44980137]
 [-0.91093059  0.1779953   0.37218697]
 [ 0.41245545  0.41318872  0.81188398]]

Solution:
0.508022647987   0.508925817052

左边的两列是矩阵A，右边的列是形式为Ax = b的矩阵中的矩阵b，但由于某种原因，代码将它们组合成一个矩阵。我知道存在最小二乘法，但经过测试后，当矩阵超定时，它不那么稳健和准确。