Python求矩阵的特征值和广义特征值

文章目录

    • 简介
    • 广义特征值
    • 参数

简介

对于矩阵 A A A而言, A x = λ x Ax=\lambda x Ax=λx成立,则 λ \lambda λ A A A的一个特征值, x x x为其对应的特征向量。

scipy.linalg中,提供了8个特征值函数,名字中带有vals的函数,用于特征值;不带有vals的,既求解特征值,也求解特征向量,列表如下:

适用情况
eig eigvals 方阵
eigh eigvalsh 厄米矩阵
eig_banded eigvals_banded 厄米带状矩阵
eigh_tridiagonal eigvalsh_tridiagonal 对称三对角矩阵

下面以eigeigvals为例,首先,新建一个随机矩阵

import scipy.linalg as sl
import numpy as np
A = np.random.rand(3,3)

然后求解

>>> sl.eig(A)
(array([2.16638067+0.j, 0.6904848 +0.j, 0.01668197+0.j]), array([[-0.39800769, -0.70823117, -0.26519409],
       [-0.57654765,  0.69476372, -0.54787827],
       [-0.71357038,  0.12534748,  0.7934113 ]]))
>>> sl.eigvals(A)
array([2.16638067+0.j, 0.6904848 +0.j, 0.01668197+0.j])

可见,eigvals返回的是三个特征值;eig则在三个特征值之外,还返回了三个特征向量。

广义特征值

对于矩阵 A A A而言,若 A x = λ B x Ax=\lambda Bx Ax=λBx成立,则 λ \lambda λ A A A关于 B B B的一个特征值, x x x为其对应的特征向量。所以,特征值,就是 B B B为单位矩阵情况下的广义特征值。而当 B B B正定时,广义特征值问题可退化为特征值问题 B − 1 A x = λ x B^{-1}Ax=\lambda x B1Ax=λx

scipy.linalg所提供的特征值求解函数中,用参数b表示广义特征值中的 B B B矩阵。下面仍以eig为例,做下示范

B = np.random.rand(3,3)
e,v = sl.eig(A,B)
A@v[:,0]
# array([-0.72856533, -0.05542475, -0.47954844])
e[0]*B@v[:,0]
# array([-0.72856533+0.j, -0.05542475+0.j, -0.47954844+0.j])

可见 A x = λ B x Ax=\lambda Bx Ax=λBx

参数

这8个特征向量求解器中,前四个参数比较相近,其主要参数形式均为eig(a, b=None),其中a为待求矩阵;b为矩阵时求广义特征值。

默认check_finite=True,即求解之前检查有限情况;且通过设置overwrite_aoverwrite_bTrue,可以在处理过程中覆盖ab,以获取更快的速度。

eig, eigvals中,提供参数homogeneous_eigvals,为True时返回齐次坐标结果。eig可设置leftrightTrueFalse,以求解左特征向量或右特征向量,默认为右。

eigh, eigvalsh主要用于求解厄米矩阵,即对称共轭矩阵,除了上面提到的a, b, check_finite, overwrite_xx之外,还有下列参数

  • lower 默认为True, 表示在计算时适用下三角,否则使用上三角。
  • type 可选1, 2, 3,分别对应下面三种情况
    1. a @ v = w @ b @ v
    2. a @ b @v = w @ b @ v
    3. b @ a @v = w @ v
  • driver 可指定LAPACK中的求解器,对于某些求解器,需要设置subset_by_indexsubset_by_value参数。由于内容太多,所以不再赘述。

后面四个函数感觉用的并不多,所以就不介绍了。

你可能感兴趣的:(#,scipy,python,矩阵,scipy,特征值,eig)