MATLAB中eigs函数用法

最新推荐文章于 2024-11-04 08:37:04 发布

jk_101

最新推荐文章于 2024-11-04 08:37:04 发布

阅读量2.2k

点赞数 20

分类专栏： Matlab 文章标签： matlab 算法开发语言

本文链接：https://blog.csdn.net/jk_101/article/details/133133647

版权

Matlab 专栏收录该内容

722 篇文章

订阅专栏

'smallestabs' 与 'smallestreal' 特征值之间的差

接近特征值的 Sigma 值

已置换的 Cholesky 因子的特征值

eigs函数的功能是特征值和特征向量的子集。

语法

d = eigs(A)
d = eigs(A,k)
d = eigs(A,k,sigma)
d = eigs(A,k,sigma,Name,Value)
d = eigs(A,k,sigma,opts)
d = eigs(A,B,___)
d = eigs(Afun,n,___)
[V,D] = eigs(___)
[V,D,flag] = eigs(___)

说明

d = eigs(A) 返回一个向量，其中包含矩阵 A 的六个模最大的特征值。当使用 eig 计算所有特征值的计算量很大时（例如对于大型稀疏矩阵来说），这是非常有用的。

d = eigs(A,k) 返回 k 个模最大的特征值。

d = eigs(A,k,sigma) 基于 sigma 的值返回 k 个特征值。例如，eigs(A,k,'smallestabs') 返回 k 个模最小的特征值。

d = eigs(A,k,sigma,Name,Value) 使用一个或多个名称-值对组参数指定其他选项。例如，eigs(A,k,sigma,'Tolerance',1e-3) 将调整算法的收敛容差。

d = eigs(A,k,sigma,opts) 使用结构体指定选项。

d = eigs(A,B,___) 解算广义特征值问题 A*V = B*V*D。您可以选择指定 k、sigma、opts 或名称-值对组作为额外的输入参数。

d = eigs(Afun,n,___) 指定函数句柄 Afun，而不是矩阵。第二个输入 n 可求出 Afun 中使用的矩阵 A 的大小。您可以选择指定 B、k、sigma、opts 或名称-值对组作为额外的输入参数。

[V,D] = eigs(___) 返回对角矩阵 D 和矩阵 V，前者包含主对角线上的特征值，后者的各列中包含对应的特征向量。您可以使用上述语法中的任何输入参数组合。

[V,D,flag] = eigs(___) 也返回一个收敛标志。如果 flag 为 0，则表示已收敛所有特征值。

示例

稀疏矩阵的最大特征值

矩阵 A = delsq(numgrid('C',15)) 是一个对称正定矩阵，特征值合理分布在区间 (0 8) 中。计算模最大的六个特征值。

A = delsq(numgrid('C',15));
d = eigs(A)
d = 6×1

    7.8666
    7.7324
    7.6531
    7.5213
    7.4480
    7.3517

指定第二个输入，以计算特定数量的最大特征值。

d = eigs(A,3)
d = 3×1

    7.8666
    7.7324
    7.6531

稀疏矩阵的最小特征值

矩阵 A = delsq(numgrid('C',15)) 是一个对称正定矩阵，特征值合理分布在区间 (0 8) 中。计算五个最小的特征值。

A = delsq(numgrid('C',15));  
d = eigs(A,5,'smallestabs')
d = 5×1

    0.1334
    0.2676
    0.3469
    0.4787
    0.5520

使用函数句柄的特征值

创建一个随机的 1500×1500 稀疏矩阵，非零元素的密度接近 25%。

n = 1500;
A = sprand(n,n,0.25);

求矩阵的 LU 分解，将返回满足 A(p,:) = L*U 的置换向量 p。

[L,U,p] = lu(A,'vector');

创建函数句柄 Afun，它接受向量输入 x 并使用 LU 分解结果实际返回 A\x。

Afun = @(x) U\(L\(x(p)));

使用带有函数句柄 Afun 的 eigs 计算六个模最小的特征值。第二个输入为 A 的大小。

d = eigs(Afun,1500,6,'smallestabs')
d = 6×1 complex

   0.1423 + 0.0000i
   0.4859 + 0.0000i
  -0.3323 - 0.3881i
  -0.3323 + 0.3881i
   0.1019 - 0.5381i
   0.1019 + 0.5381i

特征值的类型

west0479 是一个带有实特征值和成对复共轭特征值的 479×479 实数值稀疏矩阵。

加载 west0479 矩阵，然后使用 eig 计算并绘制所有特征值。由于特征值为复数，plot 将自动使用实部作为 x 轴坐标，使用虚部作为 y 轴坐标。

load west0479
A = west0479;
d = eig(full(A));
plot(d,'+')

如图所示：

特征值沿实线（x 轴）形成集群，距离原点特别近。

eigs 有多个适用于 sigma 的选项，可以挑选不同类型的最大或最小特征值。为 sigma 的每个可用选项计算并绘制一些特征值。

figure
plot(d, '+')
hold on
la = eigs(A,6,'largestabs');
plot(la,'ro')
sa = eigs(A,6,'smallestabs');
plot(sa,'go')
hold off
legend('All eigenvalues','Largest magnitude','Smallest magnitude')
xlabel('Real axis')
ylabel('Imaginary axis')

如图所示：

figure
plot(d, '+')
hold on
ber = eigs(A,4,'bothendsreal');
plot(ber,'r^')
bei = eigs(A,4,'bothendsimag');
plot(bei,'g^')
hold off
legend('All eigenvalues','Both ends real','Both ends imaginary')
xlabel('Real axis')
ylabel('Imaginary axis')

如图所示：

figure
plot(d, '+')
hold on
lr = eigs(A,3,'largestreal');
plot(lr,'ro')
sr = eigs(A,3,'smallestreal');
plot(sr,'go')
li = eigs(A,3,'largestimag','SubspaceDimension',45);
plot(li,'m^')
si = eigs(A,3,'smallestimag','SubspaceDimension',45);
plot(si,'c^')
hold off
legend('All eigenvalues','Largest real','Smallest real','Largest imaginary','Smallest imaginary')
xlabel('Real axis')
ylabel('Imaginary axis')

如图所示：

`'smallestabs'` 与 `'smallestreal'` 特征值之间的差

创建一个对称正定稀疏矩阵。

A = delsq(numgrid('C', 150));

使用 'smallestreal' 计算六个最小的实数特征值，它采用了使用 A 的 Krylov 方法。

tic
d = eigs(A, 6, 'smallestreal')
d = 6×1

    0.0013
    0.0025
    0.0033
    0.0045
    0.0052
    0.0063

toc
Elapsed time is 6.102979 seconds.

使用 'smallestabs' 计算同样的特征值，它采用了使用 A 的倒数的 Krylov 方法。

tic
dsm = eigs(A, 6, 'smallestabs')
dsm = 6×1

    0.0013
    0.0025
    0.0033
    0.0045
    0.0052
    0.0063

toc
Elapsed time is 0.487185 seconds.

特征值聚集在零附近。'smallestreal' 计算很难使用 A 进行收敛，因为特征值之间的差距非常小。相反，'smallestabs' 选项使用 A 的倒数，也就是 A 的特征值的倒数，它们的差距大得多，所以更容易计算。这种性能改进以分解 A 为代价，使用 'smallestreal' 则不需要进行分解。

接近特征值的 Sigma 值

计算几乎等于特征值的 sigma 数值附近的特征值。

矩阵 A = delsq(numgrid('C',30)) 是一个大小为 632 的对称正定矩阵，特征值合理分布在区间 (0 8) 中，但是在 4.0 处有 18 个重复的特征值。要计算 4.0 附近的一些特征值，尝试函数调用 eigs(A,20,4.0) 是合理的。然而，此调用计算 A - 4.0*I 的逆矩阵的最大特征值，其中 I 是单位矩阵。由于 4.0 是 A 的特征值，此矩阵为奇异矩阵，因此没有逆矩阵。eigs 失败并生成错误消息。sigma 的数值不能精确等于特征值。必须使用接近但不等于 4.0 的 sigma 值来求这些特征值。

使用 eig 计算所有特征值，使用 eigs 计算 20 个最接近 4 - 1e-6 的特征值，然后比较结果。绘制按照每一种方法计算的特征值。

A = delsq(numgrid('C',30)); 
sigma = 4 - 1e-6;
d = eig(A);
D = sort(eigs(A,20,sigma));



plot(d(307:326),'ks')
hold on
plot(D,'k+')
hold off
legend('eig(A)','eigs(A,20,sigma)') 
title('18 Repeated Eigenvalues of A')

如图所示：

已置换的 Cholesky 因子的特征值

创建稀疏随机矩阵 A 和 B，它们都具有低密度非零元素。

B = sprandn(1e3,1e3,0.001) + speye(1e3); 
B = B'*B; 
A = sprandn(1e3,1e3,0.005); 
A = A+A';

求矩阵 B 的 Cholesky 分解，使用三个输出以返回置换向量 s 并测试值 p。

[R,p,s] = chol(B,'vector');
p
p = 0

由于 p 为零，因此 B 是满足 B(s,s) = R'*R 的对称正定矩阵。

计算涉及 A 和 R 的广义特征值问题的六个模最大的特征值和特征向量。由于 R 是 B 的 Cholesky 因子，请将 'IsCholesky' 指定为 true。此外，由于 B(s,s) = R'*R，因此 R = chol(B(s,s))，所以应使用置换向量 s 作为 'CholeskyPermutation' 的值。

[V,D,flag] = eigs(A,R,6,'largestabs','IsCholesky',true,'CholeskyPermutation',s);
flag
flag = 0

由于 flag 为零，所有特征值均已收敛。

提示

eigs 使用专用的随机数流生成默认起始向量，以确保在不同运行之间的可再现性。调用 eigs 之前使用 rng 设置随机数生成器状态不会影响输出。
要求出小型稠密矩阵的几个特征值，使用 eigs 并不是最有效的方式。对于这些问题，使用 eig(full(A)) 求解可能会更快。例如，求 500×500 矩阵的三个特征值相对容易，使用 eig 即可轻松完成。
对于某个给定矩阵，如果 eigs 无法收敛，可以通过增大 'SubspaceDimension' 值来增加 Lanczos 基向量的数量。作为备用方案，调整最大迭代次数 'MaxIterations' 和收敛容差 'Tolerance' 也有助于改善收敛行为。

参考

[1] Stewart, G.W. "A Krylov-Schur Algorithm for Large Eigenproblems." SIAM Journal of Matrix Analysis and Applications. Vol. 23, Issue 3, 2001, pp. 601–614.

[2] Lehoucq, R.B., D.C. Sorenson, and C. Yang. ARPACK Users' Guide. Philadelphia, PA: SIAM, 1998.