Homework NumPy

最新推荐文章于 2019-06-05 22:34:55 发布

A65a97048

最新推荐文章于 2019-06-05 22:34:55 发布

阅读量237

点赞数

本文链接：https://blog.csdn.net/A65a97048/article/details/80402558

版权

使用pip安装NumPy组件，过程如下：

1 以管理员身份打开命令提示符； 2 定位到python.exe所在目录； 3 输入python.exe-m pip install numpy； 4 等待应用下载并安装，完成后可输入python.exe -m pip list查看安装

安装完成后就可以在代码中import numpy，使用其功能了。

0. Generate matrices A, with randomGaussian entries, B, a Toeplitz matrix, where A: Rnm and B: Rmm,for n=200, m=500.

m=500

n=200

A=numpy.random.randn(n,m) #Gaussian distribution matrix

B=numpy.empty((m,m)) #Toeplitz matrix

for k in range(0,m):

rd1=numpy.random.randint(1,1024)

rd2=numpy.random.randint(1,1024)

for i in range(0,k+1):

B[i][i+m-1-k]=rd1

B[i+m-1-k][i]=rd2

取m=6，n=4验证：

1. Calculate A + A, AAT, ATA and AB. Write afunction that computes A(B-λI) for any λ.

def Func1(mA,mB,L):

X=mA.shape

for i in range(0,X[1]):

B[i][i]=B[i][i]-L

mA=mA.dot(B)

return mA

Ans=A+A

print('A+A\n',Ans)

Ans=A.dot(A.T)

print('A*AT\n',Ans)

Ans=A.T.dot(A)

print('AT*A\n',Ans)

Ans=A.dot(B)

print('A*B\n',Ans)

Ans=Func1(A,B,100)

print('Function\n',Ans)

2. Generate a vector b with m entries andsolve Bx = b.

b=numpy.random.random_integers(1,1000,50)

b=b.astype(numpy.float)

print('b\n',b)

print('x\n',numpy.linalg.solve(B,b))

（m=50）

3. Compute the Frobenius norm of A: ||A||Fand the infinity norm of B: ||B||∞. Also find thelargest and smallest singular values of B.

#Frobenius范数，为矩阵元素的平方和再开方

defFrobenius(Mat):

X=Mat.shape

R=0.0

for i in range(0,X[0]):

for j in range(0,X[1]):

R=R+Mat[i][j]*Mat[i][j]

R=R**0.5

return R

print(Frobenius(A))

print()

Ans=numpy.linalg.norm(B, numpy.inf) #行和范数，即矩阵行向量中绝对值之和的最大值

print(Ans,'\n')

SVD = numpy.linalg.svd(B) #奇异值分解

print('largestsingular values: ',SVD[1][0])

print('smallestsingular values: ',SVD[1][-1])

4. Generate a matrix Z, n×n, with Gaussian entries, and use the power iteration to find thelargest eigenvalue and corresponding eigenvector of Z. How many iterations areneeded till convergence?

while True:
    if i!=0:
        v=numpy.random.randint(1,4,n)
    for i in range(0,10001):
        u=Z.dot(v)
        m=numpy.abs(u).max()
        t=u/m
        B=True
        for k in range(0,n):
            if abs(abs(t[k]/v[k])-1)>1.0/1048576: #收敛
                B=False
                break
        if B==True:
            break
        else:
            v=t.copy()
    if i<10000:
        print('iterations: ',i)
        print('largest eigenvalue:\n',m) #最大特征值
        print('corresponding eigenvector:\n',v)
        break

(w,v)=numpy.linalg.eig(Z) #对比
print('comparism:\n',w)

幂乘法求解最大特征值，参考网上资料，为防止数据发散过快导致舍入误差影响，这里用了规范化迭代，使每一次迭代向量的最大分量的绝对值为1。当迭代向量前后相差不足1/1048576时，即视作收敛到目标值。这时，m即为特征根，v即为特征向量。

实际操作中，我发现特征向量经常和标准函数的结果不符，但手算验证发现迭代结果无误，这个问题有待探究。

当迭代次数超过10000而还未收敛时，将视作当前情况无法得出结果，并跳出循环，用随机数生成新的初始向量开始迭代，直至得出答案。