[Eigen中文文档] 线性代数与分解

news/2024/2/29 2:43:47

文档总目录

本文目录

      • 求解基本线性系统
      • 最小二乘求解
      • 检查矩阵是否为奇异矩阵
      • 计算特征值和特征向量
      • 计算逆和行列式
      • 将计算与构造分开
      • 可以计算秩的分解

英文原文(Linear algebra and decomposition)

本节说明如何求解线性系统,计算各种分解,如 LUQRSVD特征分解……

求解基本线性系统

问题:有一个方程组,写成矩阵方程如下:
A x = b Ax = b Ax=b
其中 A A A b b b 是矩阵(作为一种特殊情况, b b b 也可以是一个向量)。求解 x x x

:可以根据矩阵 A A A 的属性以及效率和准确性,在各种分解之间进行选择。如下是一个很好的折衷方案:

// 代码索引 4-1-1-1
#include <iostream>
#include <Eigen/Dense>int main()
{Eigen::Matrix3f A;Eigen::Vector3f b;A << 1,2,3,  4,5,6,  7,8,10;b << 3, 3, 4;std::cout << "Here is the matrix A:\n" << A << std::endl;std::cout << "Here is the vector b:\n" << b << std::endl;Eigen::Vector3f x = A.colPivHouseholderQr().solve(b);std::cout << "The solution is:\n" << x << std::endl;
}

输出如下:

Here is the matrix A:1  2  34  5  67  8 10
Here is the vector b:
3
3
4
The solution is:
-211

在此示例中,colPivHouseholderQr() 方法返回类 ColPivHouseholderQR 的对象。由于这里的矩阵是 Matrix3f 类型,所以这一行可以替换为:

ColPivHouseholderQR<Matrix3f> dec(A);
Vector3f x = dec.solve(b);

在这里,ColPivHouseholderQR 是列主元 QR 分解。这是本教程的一个很好的折衷方案,因为它适用于所有矩阵,而且速度非常快。

以下是可以选择的其他一些分解表,具体取决于矩阵、解决的问题以及需求:

描述方法对矩阵的要求速度(中小矩阵)速度(大矩阵)精度
PartialPivLUpartialPivLu()Invertible(可逆)+++++
FullPivLUfullPivLu()None-- -+++
HouseholderQRhouseholderQr()None+++++
ColPivHouseholderQRcolPivHouseholderQr()None+-+++
FullPivHouseholderQRfullPivHouseholderQr()None-- -+++
CompleteOrthogonalDecompositioncompleteOrthogonalDecomposition()None+-+++
LLTllt()Positive definite(正定)+++++++
LDLTldlt()Positive or negative semidefinite(半正定或半负定)++++++
BDCSVDbdcSvd()None--+++
JacobiSVDjacobiSvd()None-- - -+++

要大致了解不同分解的真实相对速度,请查看基准测试。

所有这些分解都提供了一个 solve() 方法,其工作方式与上例相同。

可以根据矩阵的属性来选择相应的方法。例如,要求解具有非对称满秩矩阵的线性系统,可以使用 PartialPivLU。如果知道矩阵是对称和正定的,可以选择 LLTLDLT 分解。

示例如下:

// 代码索引 4-1-2-1
#include <iostream>
#include <Eigen/Dense>int main()
{Eigen::Matrix2f A, b;A << 2, -1, -1, 3;b << 1, 2, 3, 1;std::cout << "Here is the matrix A:\n" << A << std::endl;std::cout << "Here is the right hand side b:\n" << b << std::endl;Eigen::Matrix2f x = A.ldlt().solve(b);std::cout << "The solution is:\n" << x << std::endl;
}

输出为:

Here is the matrix A:2 -1
-1  3
Here is the right hand side b:
1 2
3 1
The solution is:
1.2 1.4
1.4 0.8

有关 Eigen 支持的所有分解的更完整的表格( Eigen 还支持许多其他分解),请参阅[下一节](#4.2 稠密分解目录)。

最小二乘求解

在最小二乘意义上解决欠定或超定线性系统的最普遍和准确的方法是 SVD 分解。Eigen 提供了两种实现。推荐的是 BDCSVD 类,它可以很好地处理大型矩阵问题,并自动回退到 JacobiSVD 类以处理较小矩阵的问题。对于这两个类,他们的 solve() 方法在最小二乘意义上解决了线性系统。

示例如下:

// 代码索引 4-1-3-1
#include <iostream>
#include <Eigen/Dense>int main()
{Eigen::MatrixXf A = Eigen::MatrixXf::Random(3, 2);std::cout << "Here is the matrix A:\n" << A << std::endl;Eigen::VectorXf b = Eigen::VectorXf::Random(3);std::cout << "Here is the right hand side b:\n" << b << std::endl;std::cout << "The least-squares solution is:\n"<< A.bdcSvd(Eigen::ComputeThinU | Eigen::ComputeThinV).solve(b) << std::endl;
}

输出:

Here is the matrix A:0.68  0.597
-0.211  0.8230.566 -0.605
Here is the right hand side b:-0.330.536
-0.444
The least-squares solution is:
-0.67
0.314

SVD 的替代方法是 CompleteOrthogonalDecomposition,它通常速度更快且准确度差不多。

同样,如果对问题了解更多,可以更好的可能更快的方法。如果矩阵是满秩的,HouseHolderQR 是首选方法。如果矩阵是满秩且是良态的,则在正规方程的矩阵上使用 Cholesky 分解 (LLT) 可能会更快。关于最小二乘求解的更多详细信息,请参见 [求解线性最小二乘系统](#4.3 求解线性最小二乘系统)。

检查矩阵是否为奇异矩阵

Eigen 允许根据具体的误差自己进行此计算,如本例所示:

// 代码索引 4-1-4-1
#include <iostream>
#include <Eigen/Dense>using Eigen::MatrixXd;int main()
{MatrixXd A = MatrixXd::Random(100,100);MatrixXd b = MatrixXd::Random(100,50);MatrixXd x = A.fullPivLu().solve(b);double relative_error = (A*x - b).norm() / b.norm(); // norm() is L2 normstd::cout << "The relative error is:\n" << relative_error << std::endl;
}

输出:

The relative error is:
2.31495e-14

计算特征值和特征向量

这里需要使用一个特征分解,以检查矩阵是否自伴。如下示例使用 SelfAdjointEigenSolver ,它可以很容易地处理使用 EigenSolver 或 ComplexEigenSolver 的 的一般矩阵。

特征值和特征向量的计算不一定收敛,但这种不收敛的情况很少见。可以调用 info() 检查这种可能性。

// 代码索引 4-1-5-1
#include <iostream>
#include <Eigen/Dense>int main()
{Eigen::Matrix2f A;A << 1, 2, 2, 3;std::cout << "Here is the matrix A:\n" << A << std::endl;Eigen::SelfAdjointEigenSolver<Eigen::Matrix2f> eigensolver(A);if (eigensolver.info() != Eigen::Success) abort();std::cout << "The eigenvalues of A are:\n" << eigensolver.eigenvalues() << std::endl;std::cout << "Here's a matrix whose columns are eigenvectors of A \n"<< "corresponding to these eigenvalues:\n"<< eigensolver.eigenvectors() << std::endl;
}

输出如下:

Here is the matrix A:
1 2
2 3
The eigenvalues of A are:
-0.2364.24
Here's a matrix whose columns are eigenvectors of A 
corresponding to these eigenvalues:
-0.851 -0.5260.526 -0.851

计算逆和行列式

虽然逆和行列式是基本的数学概念,但在数值线性代数中它们不如在纯数学中有用。逆计算通常被 solve() 操作有利地取代,行列式通常不是检查矩阵是否可逆的好方法。

但是,对于非常小的矩阵,上述情况可能并非如此,逆矩阵和行列式可能非常有用。

虽然某些分解(例如 PartialPivLUFullPivLU)提供了 inverse()determinant() 方法,但也可以直接在矩阵上调用inverse()determinant()。如果矩阵是非常小的固定大小(最多 4x4),这种方法可以让 Eigen 不执行 LU 分解,以提高效率。

示例如下:

// 代码索引 4-1-6-1
#include <iostream>
#include <Eigen/Dense>int main()
{Eigen::Matrix3f A;A << 1, 2, 1,2, 1, 0,-1, 1, 2;std::cout << "Here is the matrix A:\n" << A << std::endl;std::cout << "The determinant of A is " << A.determinant() << std::endl;std::cout << "The inverse of A is:\n" << A.inverse() << std::endl;
}

输出:

Here is the matrix A:1  2  12  1  0
-1  1  2
The determinant of A is -3
The inverse of A is:
-0.667      1  0.3331.33     -1 -0.667-1      1      1

将计算与构造分开

在上面的示例中,分解操作是在构造分解对象的同时计算的。然而,在某些情况下,可能希望将这两件事分开,例如,如果在构造时不知道要分解的矩阵,或者想重用现有的分解对象。

实现方法如下:

  • 所有分解都有一个默认构造函数。
  • 所有分解都有一个 compute(matrix) 方法来进行计算,并且可以在已经计算的分解上再次调用它,重新初始化它。

示例如下:

// 代码索引 4-1-7-1
#include <iostream>
#include <Eigen/Dense>int main()
{Eigen::Matrix2f A, b;Eigen::LLT<Eigen::Matrix2f> llt;A << 2, -1, -1, 3;b << 1, 2, 3, 1;std::cout << "Here is the matrix A:\n" << A << std::endl;std::cout << "Here is the right hand side b:\n" << b << std::endl;std::cout << "Computing LLT decomposition..." << std::endl;llt.compute(A);std::cout << "The solution is:\n" << llt.solve(b) << std::endl;A(1,1)++;std::cout << "The matrix A is now:\n" << A << std::endl;std::cout << "Computing LLT decomposition..." << std::endl;llt.compute(A);std::cout << "The solution is now:\n" << llt.solve(b) << std::endl;
}

输出:

Here is the matrix A:2 -1
-1  3
Here is the right hand side b:
1 2
3 1
Computing LLT decomposition...
The solution is:
1.2 1.4
1.4 0.8
The matrix A is now:2 -1
-1  4
Computing LLT decomposition...
The solution is now:1  1.291 0.571

最后,可以告诉分解构造函数为给定大小的分解矩阵预先分配存储空间,这样当随后分解这些矩阵时,就不会进行动态内存分配(当然,如果使用的是固定大小的矩阵,则不会进行动态内存分配)。

这是通过将大小传递给分解构造函数来完成的,示例如下:

HouseholderQR<MatrixXf> qr(50,50);
MatrixXf A = MatrixXf::Random(50,50);
qr.compute(A); // no dynamic memory allocation

可以计算秩的分解

某些分解能够计算矩阵的秩,这些通常也是在处理非满秩矩阵时表现最好的分解(在正方形情况下表示奇异矩阵)。关于分解是否可以计算矩阵的秩,请参阅[下一节](#4.2 稠密分解目录)。

可以计算秩的分解至少提供了一个 rank() 方法。还有更简单的方法,例如 isInvertible(),有些还提供计算矩阵的核(零空间)和图像(列空间)的方法,例如 FullPivLU

// 代码索引 4-1-8-1
#include <iostream>
#include <Eigen/Dense>int main()
{Eigen::Matrix3f A;A << 1, 2, 5,2, 1, 4,3, 0, 3;std::cout << "Here is the matrix A:\n" << A << std::endl;Eigen::FullPivLU<Eigen::Matrix3f> lu_decomp(A);std::cout << "The rank of A is " << lu_decomp.rank() << std::endl;std::cout << "Here is a matrix whose columns form a basis of the null-space of A:\n"<< lu_decomp.kernel() << std::endl;std::cout << "Here is a matrix whose columns form a basis of the column-space of A:\n"<< lu_decomp.image(A) << std::endl; // yes, have to pass the original A
}

输出:

Here is the matrix A:
1 2 5
2 1 4
3 0 3
The rank of A is 2
Here is a matrix whose columns form a basis of the null-space of A:0.51
-0.5
Here is a matrix whose columns form a basis of the column-space of A:
5 1
4 2
3 3

当然,任何秩计算都取决于阈值的选择,因为实际上没有任何浮点矩阵是秩亏的。Eigen 根据不同分解选择一个合理的默认阈值,但通常是对角线大小乘以机器浮点精度。虽然这是 Eigen 可以选择的最佳默认值,但只有用户知道应用程序的正确阈值是多少。用户可以通过在调用 rank() 或其他需要使用此类阈值的方法之前对分解对象调用 setThreshold() 来设置自定义阈值。分解本身,即 compute() 方法,与阈值无关。更改阈值后无需重新计算分解。

// 代码索引 4-1-8-2
#include <iostream>
#include <Eigen/Dense>int main()
{Eigen::Matrix2d A;A << 2, 1,2, 0.9999999999;Eigen::FullPivLU<Eigen::Matrix2d> lu(A);std::cout << "By default, the rank of A is found to be " << lu.rank() << std::endl;lu.setThreshold(1e-5);std::cout << "With threshold 1e-5, the rank of A is found to be " << lu.rank() << std::endl;
}

输出:

By default, the rank of A is found to be 2
With threshold 1e-5, the rank of A is found to be 1

http://www.ppmy.cn/news/157972.html

相关文章

Android 11.0 user模式下解除系统进入recovery功能的限制

1.前言 在11.0的系统rom定制化开发中,系统中recovery模式功能也是很重要的一部分,而在原生系统中,对于debug模式的产品,可以通过电源键和音量+键进入recovery模式, 但是在user模式下的产品,对于通过这种方式,进入recovery模式就受限制了,防止用户无操作为了产品安全等,…

联想微型计算机一体机b505,联想一体机b505电脑怎么样 联想一体机b505电脑的评测详解...

随着科技的进步和信息的发展&#xff0c;电子行业的发展也不断根据人们的需要来改进&#xff0c;比如 笔记本电脑 就是人们现在不断创新的产物&#xff0c;还有接下来想和大家介绍的一体化机电脑&#xff0c;就是可以替代我们常用的台式电脑&#xff0c;正因为人们有这样的需要…

联想微型计算机c5030拆机,联想C5030一体电脑配置单

作者选择100电脑网推荐配置 了解最佳配置看首页 白色的电脑很漂亮&#xff0c;开机自解压系统、注册联想都很顺利&#xff0c;电脑运行没有卡顿&#xff0c;当然也没有运行大的游戏&#xff0c;主要是上网用&#xff0c;屏幕够大。用后总体感觉很好&#xff0c;因是新系统功能不…

联想一体机用u盘装linux教程,联想一体机一键U盘重装系统教程图解

说起联想笔记本&#xff0c;想必大家都很熟悉了。而现今&#xff0c;联想也退出了一体机。其旗下的一体机&#xff0c;不仅外观设计典雅美观&#xff0c;具备磨砂质感&#xff0c;在性能上&#xff0c;具备可观的性能表现&#xff0c;满足办公家用、影音娱乐需求。此文小编就来…

联想微型计算机c200电脑烂了,联想C200一体电脑基本配置

联想C200一体电脑基本配置 在硬件配置方面&#xff0c;联想新家悦C200采用了英特尔Atom D510桌面级双核处理器与NM10芯片组主板&#xff0c;集成了GMA 3150显存芯片显卡&#xff0c;同时还装载了ION2平台的NVIDIA GeForce 305M独立显卡。另外&#xff0c;其它硬件为2GB DDRII&a…

u盘启动 联想一体机_联想一体机如何进入bios设置u盘启动_联想一体机设置U盘启动步骤...

我们有时候要使用U盘安装系统&#xff0c;或者由于一些需要&#xff0c;要设置U盘启动&#xff0c;但是有联想一体机用户却发现不能设置U盘启动&#xff0c;不管是按F12还是进入BIOS&#xff0c;都不能选择U盘启动&#xff0c;那么联想一体机如何进入bios设置u盘启动呢&#xf…

Linux---守护进程

window称为&#xff1a;服务 区分以下四点&#xff1a; 会话会话首进程进程组组长进程 不想让会话关闭&#xff0c;但是会话中的进程不想关闭&#xff0c;解决方法&#xff1a;把当前进程脱离出来&#xff0c;放到一个新会话中&#xff1b;在新会话中成为会话首进程 那么表示…

联想微型计算机boot,联想电脑一体机硬盘启动模式怎么设置

1、按F12键进入bios主界面&#xff0c;选择 BIOS Features Setup。 2、设置first boot device为DISK。 3、有的BIOS不是这样的&#xff0c;这就要自己灵活一点选择好&#xff0c;还有就是进去后&#xff0c;把几个启动方式都列出来了。 CD-ROM(光盘启动)。 USB-HDD。 USH-ZIP。…

LeetCode 1552. Magnetic Force Between Two Balls【二分,排序,贪心】中等

本文属于「征服LeetCode」系列文章之一&#xff0c;这一系列正式开始于2021/08/12。由于LeetCode上部分题目有锁&#xff0c;本系列将至少持续到刷完所有无锁题之日为止&#xff1b;由于LeetCode还在不断地创建新题&#xff0c;本系列的终止日期可能是永远。在这一系列刷题文章…

Git日常使用命令

ssh-keygen -t rsa -C "email" 用于生成ssh密钥对。 -t rsa指定使用RSA算法生成密钥对。 -C注释&#xff1a;通常是邮箱 ssh -T gitgithub.com 通过ssh与GitHub进行身份验证 git init 初始化本地仓库git status 查看当前本地仓库的状态(显示已修改、已暂…

Protobuf快速入门

Protobuf入门 Protobuf介绍 Protobuf (Protocol Buffers) 是谷歌开发的一款无关平台&#xff0c;无关语言&#xff0c;可扩展&#xff0c;轻量级高效的序列化结构的数据格式&#xff0c;用于将自定义数据结构序列化成字节流&#xff0c;和将字节流反序列化为数据结构。所以很…

卡西欧fx-991cn x 进制转换

在基数模式下&#xff0c;卡西欧计算器fx-991CN X提供了两种方法快速转换进制。第一种方法是按下相应的键进行转换&#xff0c;按&#xff08;DEC&#xff09;可切换至十进制模式&#xff1b;按&#xff08;HEX&#xff09;可切换至十六进制模式&#xff1b;按&#xff08;BIN&…

卡西欧 fx991-cnx说明书PDF下载

PDF网页 fx-991CN X | 计算器 | 说明书 | CASIO 里面有很多使用方法

卡西欧计算机储存数据,卡西欧计算器(统计计算)操作.ppt

卡西欧计算器(统计计算)操作 卡西欧函数计算器fx-82ES、fx-991ES “统计计算”操作 fx-991ES _ fx-82ES 设置数据频率(FREQ) 按SHIFT、MODE(SETUP) ▼4(STAT)、1(ON). STAT模式&#xff1a; 按MODE、3(STAT) 在STAT模式下&#xff1a; 按1(1-Var)进入数据窗口. 输入新的数据&am…

卡西欧G-SHOCK 5146/5425使用说明书

卡西欧G-SHOCK 5146/5425使用说明书 官网链接&#xff1a;https://file.casio.com.cn/resource/front/pdf/CN/009/qw5146.pdf A-左上 B-右上 C-左下 D-右下 按C调整模式 STW-秒表 TMR-倒计时 ALM-闹铃 WT-世界时间 按D切换日期与时间 时间调整 按A3秒&#xff0c;城市代码跳动…

清华同方

同方股份有限公司是由清华大学控股的高科技公司&#xff0c;于1997年6月成[1][2]立并在上海证券交易所挂牌交易&#xff0c;股票代码600100,当时股票名称为“清华同方”。2005年清华同方位列“中国电子信息企业500强”第23位&#xff0c;是中国政府重点支持的电子百强企业。 清…

安捷伦频谱仪的使用方法图解_安捷伦N9020A频谱仪操作说明

频谱仪操作说明 一.电平测量操作步骤 1. 打开频谱仪; 2. 点击按键矩阵左侧的模式选择“Mode”键,液晶屏右侧出现一列模式选项; 3. 点击液晶屏右侧与“Spectrum Analyzer”对应按键,进入频谱测量模式; 4. 点击按键矩阵中左下角的“Meas”按键(即测量项选择键),液晶屏的右…

基于MATLAB实现ECG心电信号处理

原文出处基于MATLAB的心电信号预处理_这孩子谁懂哈的博客-CSDN博客_matlab心电信号处理 这是原文的代码&#xff0c;直接复制后无法运行&#xff0c;显示M和TIME没有定义。 需要一个ramat函数把心电数据读取出来。 首先下载心电数据&#xff0c;地址https://www.physionet.o…

DIY 卡西欧 F-91W 手(挂)表(钟)

MAKER:Kothe&#xff0f;译&#xff1a;趣无尽 CASIO F-91W 是由日本卡西欧电子公司生产的石英数字式手表。F-91W 于 1989 年推出&#xff0c;它以其可靠和简洁的设计而广受欢迎。 30 年来它的设计一直没有改变。这款看起来黑不溜秋、朴实无华的塑料电子表&#xff0c;曾一度被…

计算机切换到弧度模式,卡西欧fx 82es计算机怎么吧.角度转弧度. 或互转

卡西欧fx 82es计算机怎么吧.角度转弧度. 或互转以下文字资料是由(历史新知网www.lishixinzhi.com)小编为大家搜集整理后发布的内容&#xff0c;让我们赶快一起来看一下吧&#xff01; 卡西欧fx 82es计算机怎么吧.角度转弧度. 或互转 先按shift&#xff0c;再选择set up &#x…
最新文章