Matlab condeig函数与eig函数

特征值、特征向量及与特征值有关的条件数

eig语法形式

e = eig(A)
[V,D] = eig(A)
[V,D,W] = eig(A)
e = eig(A,B)
[V,D] = eig(A,B)
[V,D,W] = eig(A,B)
[___] = eig(A,balanceOption)
[___] = eig(A,B,algorithm)
[___] = eig(___,eigvalOption)

e = eig(A)
返回一个列向量，其中包含方阵 A 的特征值。

[V,D] = eig(A)
返回特征值的对角矩阵 D 和右特征向量矩阵 V，使得 满足AV = VD

[V,D,W] = eig(A)
返回满矩阵 W，其列是对应的左特征向量，使得 W’A = DW’。

特征值问题是用来确定方程 Av = λv 的解，其中，A 是 n×n 矩阵，v 是长度 n 的列向量，λ 是标量。满足方程的 λ 的值即特征值。满足方程的 v 的对应值即右特征向量。左特征向量 w 满足方程 w’A = λw’。

e = eig(A,B)
返回一个列向量，其中包含方阵 A 和 B 的广义特征值。

[V,D] = eig(A,B)
返回广义特征值的对角矩阵 D 和满矩阵 V，其列是对应的右特征向量，使得 AV = BV*D。

[V,D,W] = eig(A,B)
返回满矩阵 W，其列是对应的左特征向量，使得 W’A = DW’*B。

广义特征值问题是用来确定方程 Av = λBv 的解，其中，A 和 B 是 n×n 矩阵，v 是长度 n 的列向量，λ 是标量。满足方程的 λ 的值即广义特征值。对应的 v 的值即广义右特征向量。左特征向量 w 满足方程 w’A = λw’B。

[___] = eig(A,balanceOption)
（其中，balanceOption 为 ‘nobalance’）禁用该算法中的初始均衡步骤。balanceOption 的默认值是 ‘balance’，表示启用均衡步骤。eig 函数可以返回先前语法中的任何输出参数。

[___] = eig(A,B,algorithm)
（其中，algorithm 为 ‘chol’）使用 B 的 Cholesky 分解计算广义特征值。algorithm 的默认值取决于 A 和 B 的属性，但通常是 ‘qz’，表示使用 QZ 算法。

如果 A 为 Hermitian 并且 B 为 Hermitian 正定矩阵，则 algorithm 的默认值为 ‘chol’。

[___] = eig(___,eigvalOption)
使用先前语法中的任何输入或输出以 eigvalOption 指定的形式返回特征值。将 eigvalOption 指定为 ‘vector’ 可返回列向量中的特征值，指定为 ‘matrix’ 可返回对角矩阵中的特征值。

点此查看eig函数使用详细示例

condeig语法形式

c = condeig(A)
[V,D,s] = condeig(A)

c = condeig(A)
返回由 A 的特征值的条件数构成的向量。这些条件数是左特征向量和右特征向量之间角度的余弦的倒数。

[V,D,s] = condeig(A)
返回特征值的对角矩阵 D 和右特征向量矩阵 V，使得 满足AV = VD，同时返回由 A 的特征值的条件数构成的向量

[V,D,s] = condeig(A)
等效于
[V,D] = eig(A);
s = condeig(A);

较大的条件数表示，A 接近具有多重特征值的矩阵

condeig()例

A=gallery(5) %测试矩阵生成
[V,D,S]=condeig(A);
[M,N]=eig(A);
L=condeig(A);
%检验
A0=A*V-V*D
V0=V-M
D0=D-N
S0=S-L

结果中A0受运算精度影响因而不是真值零

结果验证了
[V,D,s] = condeig(A)
返回的特征值的对角矩阵 D 和右特征向量矩阵 V满足AV = VD
且等效于
[V,D] = eig(A);
s = condeig(A);

注：本文主要内容参考MathWorks文档，详细内容见文内连接