4.3 特征分解

最新推荐文章于 2024-05-31 15:23:55 发布

lesdiables

最新推荐文章于 2024-05-31 15:23:55 发布

阅读量66

点赞数

文章标签：算法 python 线性代数

本文链接：https://blog.csdn.net/lesdiables/article/details/121379822

版权

import numpy as np

# 代码4-29
A = np.matrix([[3, -1],[-1, 3]])
# 方法一
print('矩阵A的特征值为：', np.linalg.eigvals(A))

矩阵A的特征值为： [4. 2.]

# 方法二
A1,A2 = np.linalg.eig(A)
print('矩阵A的特征值为：', A1)
print('矩阵A的特征向量为：\n', A2)

矩阵A的特征值为： [4. 2.]
矩阵A的特征向量为：
 [[ 0.70710678  0.70710678]
 [-0.70710678  0.70710678]]

# 代码4-30
A = np.mat([[3,1],[2,2]])
A1,A2 = np.linalg.eig(A)
print('矩阵A的特征值为：\n', A1)
print('矩阵A的特征向量为：\n', A2)

矩阵A的特征值为：
 [4. 1.]
矩阵A的特征向量为：
 [[ 0.70710678 -0.4472136 ]
 [ 0.70710678  0.89442719]]

# 矩阵的乘
a = np.mat([[3,1],[2,2]])
b = np.mat([[5],[2]])
#a*a*b
# 转化为特征值和特征向量的乘
4*4*4*np.mat([1,1])+np.mat([1,-2])

matrix([[65, 62]])

# 代码4-31
A = np.mat([[1,3,3],[-3,-5,-3],[3,3,1]])
A1,A2 = np.linalg.eig(A)
print('矩阵A的特征值为：', A1)
print('矩阵A的特征向量为：\n', A2)
# 构建矩阵P
P = np.mat(A2)
print('矩阵P为：\n', P)
# 构建矩阵D
D = np.diag(A1)
print('矩阵D为：\n', D)

矩阵A的特征值为： [ 1. -2. -2.]
矩阵A的特征向量为：
 [[ 5.77350269e-01 -1.28197512e-16 -6.72654054e-01]
 [-5.77350269e-01 -7.07106781e-01  7.37141689e-01]
 [ 5.77350269e-01  7.07106781e-01 -6.44876349e-02]]
矩阵P为：
 [[ 5.77350269e-01 -1.28197512e-16 -6.72654054e-01]
 [-5.77350269e-01 -7.07106781e-01  7.37141689e-01]
 [ 5.77350269e-01  7.07106781e-01 -6.44876349e-02]]
矩阵D为：
 [[ 1.  0.  0.]
 [ 0. -2.  0.]
 [ 0.  0. -2.]]

# 代码4-32
import math
sq2 = math.sqrt(2)/2
A = np.mat([[sq2,sq2],[-sq2,sq2]])
print('矩阵A.T*A的结果为：\n', A.T*A)

矩阵A.T*A的结果为：
 [[1. 0.]
 [0. 1.]]

# 代码4-33
v = np.array([1,-2,2,0])
vv = math.sqrt(np.sum(v.T*v))
u = (1/vv)*(v.T)
print('向量v的长度为：', vv)
print('单位向量u为：', u)

向量v的长度为： 3.0
单位向量u为： [ 0.33333333 -0.66666667  0.66666667  0.        ]

# 代码4-34
a = np.array([5,6,-1])
b = np.array([4/3,-1,2/3])
print('向量a*b的结果为：', np.sum(a*b))

向量a*b的结果为： -5.551115123125783e-16

# 代码4-35
A = np.mat([[3,-2,4],[-2,6,2],[4,2,3]])
A1,A2 = np.linalg.eig(A)
print('矩阵A的特征值为：', A1)
print('矩阵A的特征向量为：\n', A2)
# 特征向量正交化
B3 = A2[:,2]-np.float(np.vdot(A2[:,2],A2[:,0]))/np.float(np.vdot(A2[:,0],A2[:,0]))*A2[:,0]
# 特征向量单位化
P1 = math.sqrt(np.linalg.norm(A2[:,0])) * A2[:,0]
P2 = math.sqrt(np.linalg.norm(A2[:,1])) * A2[:,1]
P3 = math.sqrt(np.linalg.norm(B3)) * B3
# 构建矩阵D
D = np.diag(A1)
print('矩阵D为：\n', D)

矩阵A的特征值为： [ 7. -2.  7.]
矩阵A的特征向量为：
 [[ 0.74535599 -0.66666667 -0.48371741]
 [-0.2981424  -0.33333333  0.87397587]
 [ 0.59628479  0.66666667 -0.04672947]]
矩阵D为：
 [[ 7.  0.  0.]
 [ 0. -2.  0.]
 [ 0.  0.  7.]]

# 代码4-36
L = np.mat([[1,1/2,0],[0,1/2,1],[0,0,0]])
L1,L2 = np.linalg.eig(L)
print('矩阵A的特征值为：', L1)
print('矩阵A的特征向量为：\n', L2)
# 构造矩阵
D = np.diag(L1)
print('矩阵D为：\n', D)
# 构建矩阵C
C = np.mat(L2)
print('矩阵C为：\n', C)

矩阵A的特征值为： [1.  0.5 0. ]
矩阵A的特征向量为：
 [[ 1.         -0.70710678  0.40824829]
 [ 0.          0.70710678 -0.81649658]
 [ 0.          0.          0.40824829]]
矩阵D为：
 [[1.  0.  0. ]
 [0.  0.5 0. ]
 [0.  0.  0. ]]
矩阵C为：
 [[ 1.         -0.70710678  0.40824829]
 [ 0.          0.70710678 -0.81649658]
 [ 0.          0.          0.40824829]]