我知道特征向量仅定义为乘法常数。据我所知numpy
算法(例如 linalg.eig
、 linalg.eigh
、 linalg.svd
)为 产生相同的特征向量实矩阵 ,所以显然他们使用相同的归一化。然而,在复杂矩阵的情况下,算法会产生不同的结果。
也就是说,特征向量在(复数)常数 z
之前是相同的。 .经过一些试验 eig
和 eigh
我意识到 eigh
对于每个特征向量的第一个分量,始终将相位角(定义为 arctan(复数部分/实数部分))设置为 0,而 eig
似乎从一些(任意?)非零相位角开始。
问:有没有办法对来自 eigh
的特征向量进行归一化?顺便eig
是在做吗(即不是强制相位角 = 0)?
例子
我有一个复杂的厄密矩阵 G
我想使用以下两种算法计算特征向量:
numpy.linalg.eig
真正的/复方阵 numpy.linalg.eigh
对于实对称/复厄米矩阵 (1 的特殊情况。)检查 G 是否为厄密
# check if a matrix is hermitian
def isHermitian(a, rtol=1e-05, atol=1e-08):
return np.allclose(a, a.conjugate().T, rtol=rtol, atol=atol)
print('G is hermitian:', isHermitian(G))
出去:
G is hermitian: True
进行特征分析
# eigenvectors from EIG()
l1,u1 = np.linalg.eig(G)
idx = np.argsort(l1)[::-1]
l1,u1 = l1[idx].real,u1[:,idx]
# eigenvectors from EIGH()
l2,u2 = np.linalg.eigh(G)
idx = np.argsort(l2)[::-1]
l2,u2 = l2[idx],u2[:,idx]
检查特征值
print('Eigenvalues')
print('eig\t:',l1[:3])
print('eigh\t:',l2[:3])
出去:
Eigenvalues
eig : [2.55621629e+03 3.48520440e+00 3.16452447e-02]
eigh : [2.55621629e+03 3.48520440e+00 3.16452447e-02]
两种方法产生相同的特征向量。
检查特征向量
现在看看特征向量(例如 3. eigenvector),它们相差一个常数因子
z
.multFactors = u1[:,2]/u2[:,2]
if np.count_nonzero(multFactors[0] == multFactors):
print("All multiplication factors are same:", multFactors[0])
else:
print("Multiplication factors are different.")
出去:
All multiplication factors are same: (-0.8916113627685007+0.45280147727156245j)
检查相位角
现在检查 3. 特征向量的第一个分量的相位角:
print('Phase angel (in PI) for first point:')
print('Eig\t:',np.arctan2(u1[0,2].imag,u1[0,2].real)/np.pi)
print('Eigh\t:',np.arctan2(u2[0,2].imag,u2[0,2].real)/np.pi)
出去:
Phase angel (in PI) for first point:
Eig : 0.8504246311627189
Eigh : 0.0
重现图的代码
num = 2
fig = plt.figure()
gs = gridspec.GridSpec(2, 3)
ax0 = plt.subplot(gs[0,0])
ax1 = plt.subplot(gs[1,0])
ax2 = plt.subplot(gs[0,1:])
ax3 = plt.subplot(gs[1,1:])
ax2r= ax2.twinx()
ax3r= ax3.twinx()
ax0.imshow(G.real,vmin=-30,vmax=30,cmap='RdGy')
ax1.imshow(G.imag,vmin=-30,vmax=30,cmap='RdGy')
ax2.plot(u1[:,num].real,label='eig')
ax2.plot((u2[:,num]).real,label='eigh')
ax3.plot(u1[:,num].imag,label='eig')
ax3.plot((u2[:,num]).imag,label='eigh')
for a in [ax0,ax1,ax2,ax3]:
a.set_xticks([])
a.set_yticks([])
ax0.set_title('Re(G)')
ax1.set_title('Im(G)')
ax2.set_title('Re('+str(num+1)+'. Eigenvector)')
ax3.set_title('Im('+str(num+1)+'. Eigenvector)')
ax2.legend(loc=0)
ax3.legend(loc=0)
fig.subplots_adjust(wspace=0, hspace=.2,top=.9)
fig.suptitle('Eigenanalysis of Hermitian Matrix G',size=16)
plt.show()
最佳答案
根据我的经验(这里有很多问题可以支持这一点),您 从不 想用eig
当eigh
是一个选项 - eig
非常缓慢且非常不稳定。与此相关的是,我相信您的问题是倒退的 - 您想对 eig
的特征向量进行归一化。和 eigh
的一样,这你知道怎么做。
关于python - 复厄米矩阵 : different phase angles for EIG and EIGH 的特征分析,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/61914105/