[英]Scipy null_space does not give me the correct answer
我对 Scipy null_space 有疑问。 举个例子:
A = np.array([[7,3,2],[3,9,4],[2,4,5]])
eigen = np.linalg.eig(A)
输出特征 =
(array([13.477, 5. , 2.523]),
array([[ 0.486, 0.873, -0.041],
[ 0.74 , -0.436, -0.511],
[ 0.464, -0.218, 0.858]]))
我在特征元组中有特征值和特征向量。 现在如果e
是A
的特征值(例如 13.477),显然A - e I
的零空间不应该为空,但是:
null = la.null_space(A-eigen[0][0]*np.eye(3))
回报
array([], shape=(3, 0), dtype=complex128)
这应该是对应于eigen[0][0]
的特征向量(请注意,当我为eigen[0][1]
和eigen[0][2]
运行相同的代码时,它会正确返回我们在上面看到的特征向量) . 为了检查这一点,我询问了(A-eI)
的特征值和特征向量:
null_eigen = np.linalg.eig(A-eigen[0][0]*np.eye(3))
输出 null_eigen =
(array([-1.243e-14, -8.477e+00, -1.095e+01]),
array([[ 0.486, 0.873, -0.041],
[ 0.74 , -0.436, -0.511],
[ 0.464, -0.218, 0.858]]))
显然,对应于 13.477 的特征向量的第一个特征值“几乎”为零,但为什么 scipy.linalg.null_space 没有拾取它?
从null_space
的文档中,
rcond
:相对条件数。 小于rcond * max(s)
的奇异值 s 被视为零。 默认值:floating point eps * max(M,N)
。
因此rcond
决定了有效的零空间。 浮点数学并不精确,因此对于特征值来说,这恰好滑过阈值。 为rcond
使用更大的数字将给出预期的结果:
import numpy as np
from scipy.linalg import null_space
A = np.array([[7, 3, 2],
[3, 9, 4],
[2, 4, 5]])
eigen = np.linalg.eig(A)
print(eigen[1][:, 0])
print(null_space(A - eigen[0][0]*np.eye(3), rcond=1e-14))
与输出:
[0.48622704 0.74041411 0.46407996]
[[-0.48622704]
[-0.74041411]
[-0.46407996]]
有关详细信息,您还可以查看源代码。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.