Eigen教程4----Array类和元素级操作

本文为作者转载,转载请注明出处:https://www.cnblogs.com/houkai/p/6349970.html

整理下Eigen库的教程,参考:http://eigen.tuxfamily.org/dox/index.html

Array类和元素级操作

为什么使用Array

相对于Matrix提供的线性代数运算,Array类提供了更为一般的数组功能。Array类为元素级的操作提供了有效途径,比如点加(每个元素加值)或两个数据相应元素的点乘。

Array

Array是个类模板(类似于Matrx),前三个参数是必须指定的,后三个是可选的,这点和Matrix是相同的。

Array<typename Scalar, int RowsAtCompileTime, int ColsAtCompileTime>

Eigen也提供的一些常用类定义,Array是同时支持一维和二维的(Matrix二维,Vector一维)。

Type	TyoedefArray<float,Dynamic,1>	ArrayXfArray<float,3,1>	Array3fArray<double,Dynamic,Dynamic>	ArrayXXdArray<double,3,3>	Array33d

获取元素

读写操作重载于matrix,<<可以用于初始化array或打印。

#include <Eigen/Dense>
#include <iostream>
using namespace Eigen;
using namespace std;
int main()
{
  ArrayXXf  m(2,2);
  
  // assign some values coefficient by coefficient
  m(0,0) = 1.0; m(0,1) = 2.0;
  m(1,0) = 3.0; m(1,1) = m(0,1) + m(1,0);
  
  // print values to standard output
  cout << m << endl << endl;
 
  // using the comma-initializer is also allowed
  m << 1.0,2.0,
       3.0,4.0;
     
  // print values to standard output
  cout << m << endl;
}

加法和减法

和matrix类似,要求array的尺寸一致。同时支持array+/-scalar的操作!

#include <Eigen/Dense>
#include <iostream>
using namespace Eigen;
using namespace std;
int main()
{
  ArrayXXf a(3,3);
  ArrayXXf b(3,3);
  a << 1,2,3,
       4,5,6,
       7,8,9;
  b << 1,2,3,
       1,2,3,
       1,2,3;
       
  // Adding two arrays
  cout << "a + b = " << endl << a + b << endl << endl;
  // Subtracting a scalar from an array
  cout << "a - 2 = " << endl << a - 2 << endl;
}

输出

a + b = 
 2  4  6
 5  7  9
 8 10 12

a - 2 = 
-1  0  1
 2  3  4
 5  6  7

乘法

支持array*scalar(类似于matrix),但是当执行array *array时,执行的是相应元素的乘积,因此两个array必须具有相同的尺寸。

int main()
{
  ArrayXXf a(2,2);
  ArrayXXf b(2,2);
  a << 1,2,
       3,4;
  b << 5,6,
       7,8;
  cout << "a * b = " << endl << a * b << endl;
}

a * b = 
 5 12
21 32

其他元素级操作

Function	functionabs	绝对值sqrt	平方根min(.)	两个array相应元素的最小值

int main()
{
  ArrayXf a = ArrayXf::Random(5);
  a *= 2;
  cout << "a =" << endl 
       << a << endl;
  cout << "a.abs() =" << endl 
       << a.abs() << endl;
  cout << "a.abs().sqrt() =" << endl 
       << a.abs().sqrt() << endl;
  cout << "a.min(a.abs().sqrt()) =" << endl 
       << a.min(a.abs().sqrt()) << endl;
}

array和matrix之间的转换

当需要线性代数类操作时,请使用Matrix;但需要元素级操作时,需要使用Array。这样就需要提供两者的转化方法。

Matrix提供了.array()函数将它们转化为Array对象。

Array提供了.matrix()函数将它们转化为Matrix对象。

在Eigen,在表达式中混合Matrix和Array操作是被禁止的,但是可以将array表达式结果赋值为matrix。

另外,Matrix提供了cwiseProduct函数也实现了点乘。

#include <Eigen/Dense>
#include <iostream>
using namespace Eigen;
using namespace std;
int main()
{
  MatrixXf m(2,2);
  MatrixXf n(2,2);
  MatrixXf result(2,2);
  m << 1,2,
       3,4;
  n << 5,6,
       7,8;
  result = m * n;
  cout << "-- Matrix m*n: --" << endl << result << endl << endl;
  result = m.array() * n.array();
  cout << "-- Array m*n: --" << endl << result << endl << endl;
  result = m.cwiseProduct(n);
  cout << "-- With cwiseProduct: --" << endl << result << endl << endl;
  result = m.array() + 4;
  cout << "-- Array m + 4: --" << endl << result << endl << endl;
}

输出

-- Matrix m*n: --
19 22
43 50

-- Array m*n: --
 5 12
21 32

-- With cwiseProduct: --
 5 12
21 32

-- Array m + 4: --
5 6
7 8

类似,array1.matrix() * array2.matrix()将执行矩阵乘法。

  • 2
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Eigen-values(特征值)是线性系统分析中的一个重要概念,它可以用来描述系统的稳定性和响应特性。Eigen-values的计算可以通过求解系统的特征方程来完成,而特征方程的求解可以使用线性代数中的特征值和特征向量来实现。在这里,我们将介绍如何使用Eigen-values程序来进行线性系统分析。 首先,需要安装Eigen-values程序包。该程序包是一个免费的开源软件,在网上可以找到下载链接。安装完成后,可以使用以下命令在C++代码中包含Eigen-values库: ``` #include <eigenvalues/eigenvalues.h> ``` 接下来,需要定义一个矩阵表示线性系统的状态空间模型。例如,假设我们有以下状态空间模型: ``` x_dot = Ax + Bu y = Cx + Du ``` 其中,A、B、C和D是系统矩阵,x是状态向量,u是输入向量,y是输出向量。我们可以使用Eigen-values程序中的Matrix类来定义这些矩阵: ``` Eigen::MatrixXd A(n, n); Eigen::MatrixXd B(n, m); Eigen::MatrixXd C(p, n); Eigen::MatrixXd D(p, m); ``` 其中,n是状态向量的维数,m是输入向量的维数,p是输出向量的维数。接下来,我们需要将A、B、C和D矩阵填充为实际的数值。例如,假设我们有一个2维状态向量、1维输入向量和1维输出向量的系统,可以使用以下代码来填充矩阵: ``` A << 0, 1, -1, -2; B << 0, 1; C << 1, 0; D << 0; ``` 现在,我们可以使用Eigen-values程序中的eig()函数来计算该系统的特征值。该函数将返回一个包含系统特征值的向量: ``` Eigen::VectorXcd eigenvalues = eig(A); ``` 在这里,我们使用了复数向量(VectorXcd)来存储特征值,因为线性系统的特征值可能是复数。如果所有特征值的实部都小于零,则系统是稳定的。如果存在一个或多个特征值的实部大于或等于零,则系统是不稳定的。 除了特征值,我们还可以使用Eigen-values程序来计算系统的特征向量。特征向量是满足以下方程的向量: ``` Av = λv ``` 其中,λ是特征值,v是特征向量。特征向量描述了线性系统在特征值对应的方向上的响应特性。例如,如果系统的特征值是实数,则特征向量可以表示系统的振荡模式。如果系统的特征值是复数,则特征向量可以表示系统的旋转模式。可以使用以下代码来计算系统的特征向量: ``` Eigen::EigenSolver<Eigen::MatrixXd> solver(A); Eigen::MatrixXcd eigenvectors = solver.eigenvectors(); ``` 在这里,我们使用Eigenvalues程序中的EigenSolver类来计算系统的特征向量。该类将返回一个包含特征向量的矩阵。由于特征向量可能是复数,因此我们使用复数矩阵(MatrixXcd)来存储它们。 使用Eigen-values程序进行线性系统分析时,需要注意以下几点: 1. 系统的状态空间模型必须是已知的。 2. 系统必须是线性的。 3. 系统必须是时不变的。 4. 系统必须是有限维的。 如果满足上述条件,则可以使用Eigen-values程序来计算系统的特征值和特征向量,以进行稳定性和响应分析。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值