当前位置: 首页>>代码示例 >>用法及示例精选 >>正文


Python SciPy linalg.eigs用法及代码示例


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

参数

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

返回

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。

抛出

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eigenvalueseigenvectors属性中找到。

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

[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


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。