本文简要介绍 python 语言中 scipy.sparse.linalg.eigsh
的用法。
用法:
scipy.sparse.linalg.eigsh(A, k=6, M=None, sigma=None, which='LM', v0=None, ncv=None, maxiter=None, tol=0, return_eigenvectors=True, Minv=None, OPinv=None, mode='normal')#
求实对称方阵或复 Hermitian 矩阵 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,则解决
A @ x[i] = w[i] * M @ x[i]
,即 w[i] 个具有相应特征向量 x[i] 的特征值的广义特征值问题。请注意,当 A 是复 Hermitian 矩阵时,没有专门的例程。在这种情况下,
eigsh()
将调用eigs()
并返回由此获得的特征值的实部。- A: ndarray,稀疏矩阵或LinearOperator
表示操作
A @ x
的平方运算符,其中A
是实对称或复 Hermitian。对于屈曲模式(见下文)A
必须另外是正定的。- 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。不可能计算矩阵的所有特征向量。
- w: 数组
k 个特征值的数组。
- v: 数组
一个数组表示k特征向量。专栏
v[:, i]
是特征值对应的特征向量w[i]
.
- M: 一个 N x N 矩阵、数组、稀疏矩阵或线性运算符表示
广义特征值问题的操作
M @ x
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 symmetric positive definite.
If sigma is specified, M is symmetric positive semi-definite.
In buckling mode, M is symmetric indefinite.
如果 sigma 为无,eigsh 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: 真实的
使用 shift-invert 模式查找 sigma 附近的特征值。这需要运算符计算线性系统
[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 是一般线性算子,则通过迭代求解器计算。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
。请注意,当指定 sigma 时,关键字 ‘which’ 指的是移位的特征值w'[i]
,其中:if mode == ‘normal’,
w'[i] = 1 / (w[i] - sigma)
.if mode == ‘cayley’,
w'[i] = (w[i] + sigma) / (w[i] - sigma)
.if mode == ‘buckling’,
w'[i] = w[i] / (w[i] - sigma)
.(见下文‘mode’ 中的进一步讨论)
- 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向量个数ncv必须大于k且小于n;建议使用
ncv > 2*k
。默认值:min(n, max(2*k + 1, 20))
- which: str ['LM' | 'SM' | '洛杉矶' | 'SA' | '是']
如果 A 是复 Hermitian 矩阵,则“BE”无效。要找到哪些 k 个特征向量和特征值:
‘LM’ : Largest (in magnitude) eigenvalues.
‘SM’ : Smallest (in magnitude) eigenvalues.
‘LA’ : Largest (algebraic) eigenvalues.
‘SA’ : Smallest (algebraic) eigenvalues.
‘BE’ : Half (k/2) from each end of the spectrum.
当 k 为奇数时,从高端返回一个 (k/2+1)。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
特征值的相对精度(停止标准)。默认值 0 表示机器精度。
- Minv: N x N 矩阵、数组、稀疏矩阵或LinearOperator
见上文 M 中的注释。
- OPinv: N x N 矩阵、数组、稀疏矩阵或LinearOperator
请参见上文 sigma 中的注释。
- return_eigenvectors: bool
除了特征值之外,还返回特征向量 (True)。此值确定特征值的排序顺序。排序顺序也取决于哪一个多变的。
- For which = ‘LM’ or ‘SA’:
If return_eigenvectors is True, eigenvalues are sorted by algebraic value.
If return_eigenvectors is False, eigenvalues are sorted by absolute value.
- For which = ‘BE’ or ‘LA’:
eigenvalues are always sorted by algebraic value.
- For which = ‘SM’:
If return_eigenvectors is True, eigenvalues are sorted by algebraic value.
If return_eigenvectors is False, eigenvalues are sorted by decreasing absolute value.
- mode: 字符串 [‘normal’ | ‘buckling’ | ‘cayley’]
指定用于shift-invert 模式的策略。此参数仅适用于实值 A 和 sigma != None。对于 shift-invert 模式,ARPACK 在内部解决了特征值问题
OP @ x'[i] = w'[i] * B @ x'[i]
并将生成的 Ritz 向量 x'[i] 和 Ritz 值 w'[i] 转换为问题A @ x[i] = w[i] * M @ x[i]
的所需特征向量和特征值。模式如下:- ‘normal’ :
OP = [A - sigma * M]^-1 @ M, B = M, w’[i] = 1 / (w[i] - sigma)
- ‘buckling’ :
OP = [A - sigma * M]^-1 @ A, B = A, w’[i] = w[i] / (w[i] - sigma)
- ‘cayley’ :
OP = [A - sigma * M]^-1 @ [A + sigma * M], B = M, w’[i] = (w[i] + sigma) / (w[i] - sigma)
模式的选择会影响关键字‘which’选择的特征值,也会影响收敛的稳定性(参见[2]的讨论)。
- 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 ::
其他参数 ::
抛出 ::
注意:
该函数是 ARPACK [1] SSEUPD 和 DSEUPD 函数的包装,它们使用隐式重启 Lanczos 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:
>>> import numpy as np >>> from scipy.sparse.linalg import eigsh >>> identity = np.eye(13) >>> eigenvalues, eigenvectors = eigsh(identity, k=6) >>> eigenvalues array([1., 1., 1., 1., 1., 1.]) >>> eigenvectors.shape (13, 6)
相关用法
- Python SciPy linalg.eigs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.eigsh。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。