神经网络求解 矩阵特征值和特征向量

上面是MATLAB自带函数的解

下面是MATLAB语言实现的神经网络程式

随然看起来特征值和特征向量跟MATLAB自带函数区别很大，但是，检验结果的方法是

V*e*transpose(V)与原矩阵的差别

从结果看，还不错

下面是c版的结果

下面分别是M版和c版代码

 

 function [Eigen,V]=eigenvalue(A) assert(mean2(A-transpose(A))==0,'the input should be a symmetrical matrix'); learning_rate=0.00255; punish_rate=1; epoch=65000; [m,n]=size(A); Eigen=eye(m,n); V=eye(m,n); %initialize X with gauss white noise X=randn(m,n);%normally distributed for i=1:epoch B=transpose(V)*X; E2=X-V*B; U=Eigen*B; E1=A*X-V*U; V=V+learning_rate*(E1*transpose(U)+punish_rate*E2*transpose(B)); Eigen=Eigen+learning_rate*transpose(V)*E1*transpose(B); for mi=1:m% nomalize R for ni=1:n if mi~=ni Eigen(mi,ni)=0; end end end end

 

代码效率不高，加上循环太多，c版的要运行好几分钟

 

#include #include "matrix.h" Vect matrix_eigenvalue(const Matrix&mat,/*out*/Matrix& eigenvector) { assert(matrix_is_symmetrical(mat)); int size=mat.size(); Matrix V(size);//stimulus Vect vv(size); for (int i=0;i0){ B=matrix_transpose(V)*X; error_2=X-V*B; U=eigen_mat*B; error_1=mat*X-V*U; V=V+learning_rate*(error_1*matrix_transpose(U)+punish_rate*error_2*matrix_transpose(B)); eigen_mat=eigen_mat+learning_rate*matrix_transpose(V)*error_1*matrix_transpose(B); //diagonalize for (int i=0;i