如果M是非对角的,为什么下面使用的scipy.sparse.linarg中的eigh
和eigsh
在求解广义特征值问题A*x=lambda*M*x时给出不正确的结果?
import mkl
import numpy as np
from scipy import linalg as LA
from scipy.sparse import linalg as LAsp
from scipy.sparse import csr_matrix
A = np.diag(np.arange(1.0,7.0))
M = np.array([[ 25.1, 0. , 0. , 17.3, 0. , 0. ],
[ 0. , 33.6, 16.8, 8.4, 4.2, 2.1],
[ 0. , 16.8, 3.6, 0. , 11. , 0. ],
[ 17.3, 8.4, 0. , 4.2, 0. , 9.5],
[ 0. , 4.2, 11. , 0. , 2.7, 8.3],
[ 0. , 2.1, 0. , 9.5, 8.3, 4.4]])
Asp = csr_matrix(np.matrix(A,dtype=float))
Msp = csr_matrix(np.matrix(M,dtype=float))
D, V = LA.eig(A, b=M)
eigno = 4
Dsp0, Vsp0 = LAsp.eigs(csr_matrix(np.matrix(np.dot(np.linalg.inv(M),A))),
k=eigno,which='LM',return_eigenvectors=True)
Dsp1, Vsp1 = LAsp.eigs(Asp,k=eigno,M=Msp,which='LM',return_eigenvectors=True)
Dsp2, Vsp2 = LAsp.eigsh(Asp,k=eigno,M=Msp,which='LA',return_eigenvectors=True,
maxiter=1000)
从LA.eig和MatLab检查,这个具有测试矩阵A和M的小广义特征值问题的特征值应该是:
D = [ 0.7208+0.j, 0.3979+0.j, -0.3011+0.j, -0.3251+0.j, 0.0357+0.j, 0.0502+0.j]
我想使用稀疏矩阵,因为实际涉及的A和M矩阵大约是30000 x 30000。A总是正方形的,实的和对角线的,M总是正方形的、实的和对称的。当M是对角线时,我得到了正确的结果。然而,在求解非对角M矩阵的广义特征值问题时,eigs
和eigsh
都给出了不正确的结果。
Dsp1 = [-1.6526+2.3357j, -1.6526-2.3357j, -0.6243+2.7334j, -0.6243-2.7334j]
Dsp2 = [ 2.01019097, 3.09248265, 4.06799498, 7.01216316]
当我把问题转化为标准特征值形式M^-1*A*x=lambda*x时,eigs
给出了正确的结果(Dsp0)。对于大矩阵,这不是一个选项,因为计算M.的逆需要太长时间
我注意到,使用或不使用mkl
也会产生不同的Dsp1和Dsp2本征值。这个特征值问题可能是由我的Python安装问题引起的吗?我在Mac OS 10.10.2上运行Python 2.7.8 anaconda和SciPy 0.15.1-np19py27_p0[mkl]。
eigs
和eigsh
都要求M
是正定的(有关更多详细信息,请参阅文档字符串中对M
的描述)。
你的矩阵M
不是正定的。注意负特征值:
In [212]: M
Out[212]:
array([[ 25.1, 0. , 0. , 17.3, 0. , 0. ],
[ 0. , 33.6, 16.8, 8.4, 4.2, 2.1],
[ 0. , 16.8, 3.6, 0. , 11. , 0. ],
[ 17.3, 8.4, 0. , 4.2, 0. , 9.5],
[ 0. , 4.2, 11. , 0. , 2.7, 8.3],
[ 0. , 2.1, 0. , 9.5, 8.3, 4.4]])
In [213]: np.linalg.eigvals(M)
Out[213]:
array([ 45.92443169, 33.92113421, -13.12639751, -10.6991868 ,
5.34183619, 12.23818222])