无废话！Eigen库的基本使用代码

大背裤爱学习丶

已于 2024-09-26 19:03:10 修改

阅读量940

点赞数 7

分类专栏：学习SLAM 文章标签： c++ 人工智能 linux 矩阵

于 2024-09-26 19:02:06 首次发布

本文链接：https://blog.csdn.net/qq_52852434/article/details/142532596

版权

学习SLAM 专栏收录该内容

2 篇文章 0 订阅

订阅专栏

一、创建矩阵

1、引用EIGEN

//Eigen部分
#include<Eigen/Core>
//稠密矩阵运算
#include<Eigen/Dense>

2、创建一个矩阵

Eigen::Matrix<数据类型，行，列>矩阵名;

//创建一个数据类型为float，2行3列的矩阵，名为mt23
Eigen::Matrix<float,2,3> mt23;

3、创建3维向量和3维方阵

//规则 3维向量
Eigen::Vector3d 向量名;
//创建名为V3d的向量
Eigen::Vector3d V3d;

//规则 3维方阵
Eigen::Matrix3d 方阵名;
//创建名为M3d的方阵
Eigen::Matrix3d M3d;

都是typedef的Matrix，如Vector3d==typedef Matrix<double，3,1>

默认数据类型为double

4、动态矩阵

当不知道该用多大的矩阵时，不妨用动态矩阵（随着插入数据变多自动变大）

Eigen::Matrix<double,Eigen::Dynamic,Eigen::Dynamic> 动态矩阵名;

//创建名为DY_MT的动态矩阵
Eigen::Matrix<double,Eigen::Dynamic,Eigen::Dynamic> DY_MT;

5、更简洁的创建

Eigen::MatrixXd 矩阵名(行,列);

//创建一个名为M22的2行2列的矩阵
Eigen::MatrixXd M22(2,2);

二、矩阵初始化

1、设初值全为0

Eigen::Matrix3d A;

A=Eigen::Matrix3d::Zero();

注意：不同类型对应不同的变量空间。

2、设初值为随机数

Eigen::Matrix3d A;

A=Eigen::Matrix3d::Random();

三、输入和输出矩阵

1、输入

(1)、全部输入

矩阵名 << v1,v2,v3....

//将1，2,3,4输入到一个2行2列的矩阵m中
m << 1,2,3,4;

//将1,2,3插入到v3向量中
v3 << 1,2,3

此时一行一行的填充

输出：

1  2
3  4

(2)、局部输入

直接利用索引进行更改

注意：索引是从0开始的

//将1,2,3,4一个一个插入到M中
M(0,0)=1;
M(0,1)=2;
M(1,0)=3;
M(1,1)=4;
 
//将1,2,3一个一个插入到v3中
v3(0)=1;
v3(1)=2;
v3(2)=3;

2、输出

cout << 矩阵名 << endl;

四、矩阵运算

1、矩阵乘法

现在有一个矩阵A(m,n)，m行n列；还有一个矩阵B(n,k)，n行k列。那么A*B=C(m,k)，C为m行k列的矩阵。

//创建A(m,n)和B(n,k)
Eigen::MatrixXd A(m,n);
Eigen::MatrixXd B(n,k);

//创建并计算C(m,k)
Eigen::MatrixXd v(m,k) = A*B;

注意：①必须同数据类型才可以直接A*B，当A B数据类型不同时应用cast转化为同一种类型

例：该方法为显示转换

Eigen::Matrix<float,2,3> m23;

Eigen::Matrix<double,3,2> n32;


//需要将m23转化成double类型才可以相乘
Eigen::Matrix<double,2,2> result;
result=m23.cast<double>()*n32;

②C必须为m行k列，否则存不下或者存不对

2、加减运算

同行列矩阵名直接加减。

//创建同类型A和B
Eigen::MatrixXd A(m,n);
Eigen::MatrixXd B(m,n);

//赋值
A << 1,2,3···m*n;
B << 1,2,3···m*n;

//加法
cout << A+B << endl;
//减法
cout << A-B << endl;

3、数乘运算

直接实数m*矩阵名A

//创建矩阵
Eigen::MatrixXd A(m,n);
Eigen::MatrixXd B(m,n);


//赋值
A << 1,2,3···m*n;
B << 1,2,3···m*n;

//数乘运算 k为某一个实数 
B=k*A;

五、矩阵变换

1、转置

A(m,n) 转置后 $A^{T}$ (n,m).。

Eigen::Matrix A(m,n);

//打印转置矩阵
cout << A.transpose() << endl;

2、求和

求矩阵各个元素的总和。

cout << A.sum() << endl;

3、求迹

矩阵的迹=矩阵正对角线元素的和

cout << A.trace() << endl;

4、求逆

$A*A^{-}=E$ ；

cout << A.inverse() << endl;

5、求行列式的值

必须为m行m列才可以

cout << A.determinant() << endl;

6、求特征值和特征向量

首先，你要知道要方阵（m行m列）才有特征值和特征向量

$A\alpha =\lambda \alpha$

//首先创建一个3维方阵（3,3）
Eigen::Matrix3d A;

//给A赋值
A << 1,0,0,0,2,0,0,0,3;

//利用SelfAdjointEigenSolver创建一个解决器 在此解决器中自动算出特征向量和特征值
Eigen::SelfAdjointEigenSolver<Eigen::矩阵类型> 解决器名 (需要求特征值的向量名);
Eigen::SelfAdjointEigenSolver<Eigen::Matrix3d> eigen_solver (A);

//调用解决器的方法 打印特征值和特征向量
cout << eigen_solver.eigenvalues() << endl;
cout << eigen_solver.eigenvectors() <<endl;

输出结果如下：

//特征值
1
2
3
//特征向量
1 0 0
0 1 0
0 0 1

六、矩阵应用

1、解方程

现在有一个方程组，(m个方程，n个未知数，m*n个系数)

$a_{11}x_{1}+a_{12}x_{2}+.......+a_{1n}x_{n}=b_{1}$

：

$a_{n1}x_{1}+a_{n2}x_{2}+.......+a_{nn}x_{n}=b_{n}$

那么解这个方程就可以用矩阵表示Ax=b

其中，A为 $a_{ij}$ 组成的矩阵；b为 $b_{i}$ 组成的列向量；x为 $x_{j}$ 组成的列向量

下面求解x：(当m=n时并且有唯一解)

① 最简单暴力的方法就是Ax=b方程左右两边同时乘上A的逆矩阵 $A^{-}$ ;

这样我们就得到了式子 $x=A^{-}*b$

下面是代码：

//创建A，b向量并赋值
Eigen::Matrix<double,n,n> A;
A << ···;
Eigen::Matrix<double,n,1> b;
b << ···;

//创建x向量
Eigen::Matrix<double,n,1> x;

//暴力计算
x=A.inverse()*b;

注：该方法很慢！效率底下！不推荐！

②矩阵分解，我们用QR分解(函数colPivHouseholderQr)，速度会快很多

你只需记住代码，并且知道这种快！

//创建A，b并赋值
Eigen::Matrix<double,n,n> A;
A << ···;
Eigen::Matrix<double,n,1> b;
b << ···;

//创建x并计算
Eigen::Matrix<double,n,1> x;

//你需要记住的代码
x=A.colPivHouseholderQr().solve(b);

//打印
cout << x << endl;