本文简要介绍 python 语言中 scipy.sparse.linalg.eigs
的用法。
用法:
scipy.sparse.linalg.eigs(A, k=6, M=None, sigma=None, which='LM', v0=None, ncv=None, maxiter=None, tol=0, return_eigenvectors=True, Minv=None, OPinv=None, OPpart=None)#
求方阵 A 的 k 个特征值和特征向量。
解决
A @ x[i] = w[i] * x[i]
,即 w[i] 特征值与相应特征向量 x[i] 的标准特征值问题。如果指定了 M,则求解
A @ x[i] = w[i] * M @ x[i]
,即 w[i] 特征值与相应特征向量 x[i] 的广义特征值问题- A: ndarray,稀疏矩阵或LinearOperator
表示操作
A @ x
的数组、稀疏矩阵或 LinearOperator,其中 A 是实数或复数方阵。- k: 整数,可选
所需的特征值和特征向量的数量。 k 必须小于 N-1。不可能计算矩阵的所有特征向量。
- M: ndarray,稀疏矩阵或 LinearOperator,可选
表示广义特征值问题的操作 M@x 的数组、稀疏矩阵或 LinearOperator
A @ x = w * M @ x.
如果 A 是实数,则 M 必须表示一个实对称矩阵,如果 A 是复数,则 M 必须表示一个复数 Hermitian 矩阵。为获得最佳结果,M 的数据类型应与 A 的数据类型相同。另外:
If sigma is None, M is positive definite
If sigma is specified, M is positive semi-definite
如果 sigma 为 None,则 eigs 需要一个运算符来计算线性方程
M @ x = b
的解。这是通过对显式矩阵 M 的(稀疏)LU 分解或通过对一般线性算子的迭代求解器在内部完成的。或者,用户可以提供矩阵或运算符 Minv,它给出x = Minv @ b = M^-1 @ b
。- sigma: 实数或复数,可选
使用 shift-invert 模式查找 sigma 附近的特征值。这需要一个运算符来计算线性系统
[A - sigma * M] @ x = b
的解,其中 M 是单位矩阵(如果未指定)。这是通过显式矩阵 A 和 M 的(稀疏)LU 分解在内部计算的,或者如果 A 或 M 是一般线性运算符,则通过迭代求解器进行内部计算。或者,用户可以提供矩阵或运算符 OPinv,它给出x = OPinv @ b = [A - sigma * M]^-1 @ b
。对于实数矩阵 A,shift-invert 可以在虚数模式或实数模式下完成,由参数 OPpart(‘r’ 或 ‘i’)指定。请注意,当指定 sigma 时,关键字 ‘which’(如下)指的是移位的特征值w'[i]
,其中:- If A is real and OPpart == ‘r’ (default),
w'[i] = 1/2 * [1/(w[i]-sigma) + 1/(w[i]-conj(sigma))]
.- If A is real and OPpart == ‘i’,
w'[i] = 1/2i * [1/(w[i]-sigma) - 1/(w[i]-conj(sigma))]
.
If A is complex,
w'[i] = 1/(w[i]-sigma)
.- v0: ndarray,可选
迭代的起始向量。默认值:随机
- ncv: 整数,可选
生成的 Lanczos 向量的数量数控车床必须大于k;建议
ncv > 2*k
.默认:min(n, max(2*k + 1, 20))
- which: str, ['LM' | 'SM' | 'LR' | 'SR' | ‘李’ | ‘SI’],可选
要找到哪些 k 个特征向量和特征值:
‘LM’ : largest magnitude
‘SM’ : smallest magnitude
‘LR’ : largest real part
‘SR’ : smallest real part
‘LI’ : largest imaginary part
‘SI’ : smallest imaginary part
当 sigma != None 时,‘which’ 指的是移位的特征值 w'[i](参见上文 ‘sigma’ 中的讨论)。 ARPACK 通常比小值更擅长查找大值。如果需要小特征值,请考虑使用shift-invert 模式以获得更好的性能。
- maxiter: 整数,可选
允许的最大 Arnoldi 更新迭代次数默认值:
n*10
- tol: 浮点数,可选
特征值的相对精度(停止标准) 默认值 0 表示机器精度。
- return_eigenvectors: 布尔型,可选
除了特征值之外,还返回特征向量 (True)
- Minv: ndarray,稀疏矩阵或 LinearOperator,可选
见上文 M 中的注释。
- OPinv: ndarray,稀疏矩阵或 LinearOperator,可选
请参见上文 sigma 中的注释。
- OPpart: {‘r’ 或 ‘i’},可选
请参阅上面的 sigma 中的注释
- w: ndarray
k 个特征值的数组。
- v: ndarray
一个数组k特征向量。
v[:, i]
是对应于特征值 w[i] 的特征向量。
- ArpackNoConvergence
当未获得要求的收敛时。当前收敛的特征值和特征向量可以在异常对象的
eigenvalues
和eigenvectors
属性中找到。
参数 ::
返回 ::
抛出 ::
注意:
此函数是 ARPACK [1] SNEUPD、DNEUPD、CNEUPD、ZNEUPD 的包装器,这些函数使用隐式重启 Arnoldi 方法来查找特征值和特征向量 [2]。
参考:
[1]ARPACK 软件,https://github.com/opencollab/arpack-ng
[2]R. B. Lehoucq、D. C. Sorensen 和 C. Yang,ARPACK 用户指南:通过隐式重启 Arnoldi 方法解决大规模特征值问题。暹罗,宾夕法尼亚州费城,1998 年。
例子:
求单位矩阵的 6 个特征向量:
>>> import numpy as np >>> from scipy.sparse.linalg import eigs >>> id = np.eye(13) >>> vals, vecs = eigs(id, k=6) >>> vals array([ 1.+0.j, 1.+0.j, 1.+0.j, 1.+0.j, 1.+0.j, 1.+0.j]) >>> vecs.shape (13, 6)
相关用法
- Python SciPy linalg.eigsh用法及代码示例
- Python SciPy linalg.eigvalsh_tridiagonal用法及代码示例
- Python SciPy linalg.eig_banded用法及代码示例
- Python SciPy linalg.eigvalsh用法及代码示例
- Python SciPy linalg.eigh_tridiagonal用法及代码示例
- Python SciPy linalg.eig用法及代码示例
- Python SciPy linalg.eigh用法及代码示例
- Python SciPy linalg.eigvals用法及代码示例
- Python SciPy linalg.eigvals_banded用法及代码示例
- Python SciPy linalg.expm用法及代码示例
- Python SciPy linalg.expm_multiply用法及代码示例
- Python SciPy linalg.expm_frechet用法及代码示例
- Python SciPy linalg.expm_cond用法及代码示例
- Python SciPy linalg.cdf2rdf用法及代码示例
- Python SciPy linalg.LaplacianNd用法及代码示例
- Python SciPy linalg.solve_circulant用法及代码示例
- Python SciPy linalg.polar用法及代码示例
- Python SciPy linalg.clarkson_woodruff_transform用法及代码示例
- Python SciPy linalg.rsf2csf用法及代码示例
- Python SciPy linalg.hessenberg用法及代码示例
- Python SciPy linalg.tril用法及代码示例
- Python SciPy linalg.triu用法及代码示例
- Python SciPy linalg.svd用法及代码示例
- Python SciPy linalg.ishermitian用法及代码示例
- Python SciPy linalg.invhilbert用法及代码示例
注:本文由纯净天空筛选整理自scipy.org大神的英文原创作品 scipy.sparse.linalg.eigs。非经特殊声明,原始代码版权归原作者所有,本译文未经允许或授权,请勿转载或复制。