Führen Sie in Python eine "Diagonalisierung der symmetrischen Matrix A mit der orthogonalen Matrix U" durch (Eigenwertzerlegung).

Wenn A eine symmetrische Matrix ist, dann unter Verwendung der orthogonalen Matrix U,

\mathbf{A} = \mathbf{U} \mathbf{D} \mathbf{U}^T 

Kann diagonalisiert werden (D ist eine Diagonalmatrix). In diesem Moment,

\mathbf{A}^n = \mathbf{U} \mathbf{D}^n \mathbf{U}^T 

Ist erfüllt, so wird die Berechnung von A zur n-ten Potenz sehr einfach.

Dieses Mal habe ich Python-Code erstellt, mit dem die Diagonalisierung leicht berechnet werden kann (eindeutige Wertzerlegung).

func.py

def Eigenvalue_decomp(A):
	#Die symmetrische Matrix A wird unter Verwendung der orthogonalen Matrix U diagonalisiert.
	import numpy as np

	if A.shape[0]!=A.shape[1]: #Gibt einen Fehler zurück, wenn A keine quadratische Matrix ist
		raise Exception("error! A is not square matrix!")

	if (A==A.T).all()==False: #Gibt einen Fehler zurück, wenn A keine symmetrische Matrix ist
		raise Exception("error! A is not symmetric matrix!")

	la, U = np.linalg.eig(A)	# eigen value and eigen vector is resolved.
	U,_=np.linalg.qr(U)			# Gram-Schmidt orthonormalization
	D=np.diag(la)

	return U,D

mit diesem,

In[1]: import func
In[2]: U,D=func.Eigenvalue_decomp(A)

Sie können die orthogonale Matrix U und die diagonale Matrix D zum Diagonalisieren der durch numpy erzeugten symmetrischen Matrix A erhalten.

Prüfung

** Sekundärmatrix **

\mathbf{A}=
\begin{pmatrix}
5.0 & 2.0 \\
2.0 & 7.0 
\end{pmatrix}

In[3]: A=np.array([[5.0,2.0],[2.0,7.0]])
In[4]: U,D=func.Eigenvalue_decomp(A)
In[5]: print U.dot(D.dot(U.T)) #A=U*D*Berechne Ut
[[ 5.  2.]
 [ 2.  7.]]
In[6]: print A.dot(A) #A*Berechnen Sie A.
[[ 29.  24.]
 [ 24.  53.]]
In[7]: print U.dot(D.dot(D.dot(U.T))) #A*A=U*D*D*Berechne Ut
[[ 29.  24.]
 [ 24.  53.]]

** Matrix dritter Ordnung **

\mathbf{A}=
\begin{pmatrix}
1.0 & \sqrt{2.0} & 0 \\
\sqrt{2.0} & 1.0 & \sqrt{2.0}  \\
0 & \sqrt{2.0} & 1.0
\end{pmatrix}

In[8]: A=np.array([[1.0,np.sqrt(2.0),0],[np.sqrt(2.0),1.0,np.sqrt(2.0)],[0,np.sqrt(2.0),1.0]])
In[9]: U,D=func.Eigenvalue_decomp(A)
In[10]: print U.dot(D.dot(U.T)) #A=U*D*Berechne Ut
[[  1.00000000e+00   1.41421356e+00  -3.33066907e-16]
 [  1.41421356e+00   1.00000000e+00   1.41421356e+00]
 [ -3.33066907e-16   1.41421356e+00   1.00000000e+00]]
In[11]: print A.dot(A) #A*Berechnen Sie A.
[[ 3.          2.82842712  2.        ]
 [ 2.82842712  5.          2.82842712]
 [ 2.          2.82842712  3.        ]]
In[12]: print U.dot(D.dot(D.dot(U.T))) #A*A=U*D*D*Berechne Ut
[[ 3.          2.82842712  2.        ]
 [ 2.82842712  5.          2.82842712]
 [ 2.          2.82842712  3.        ]]

** Matrix dritter Ordnung (wenn der Eigenwert mehrere Lösungen enthält) **

\mathbf{A}=
\begin{pmatrix}
0 & -\sqrt{2.0} & \sqrt{2.0} \\
-\sqrt{2.0} & 1.0 & 1.0  \\
\sqrt{2.0} & 1.0 & 1.0
\end{pmatrix}

Wenn diese Matrix A analytisch gelöst wird, enthält der Eigenwert eine Mehrfachlösung (λ = 2).

In[13]: A=np.array([[0,-np.sqrt(2.0),np.sqrt(2.0)],[-np.sqrt(2.0),1.0,1.0],[np.sqrt(2.0),1.0,1.0]])
In[14]: U,D=func.Eigenvalue_decomp(A)
In[15]: print U.dot(D.dot(U.T)) #A=U*D*Berechne Ut
[[ -2.85835307e-16  -1.41421356e+00   1.41421356e+00]
 [ -1.41421356e+00   1.00000000e+00   1.00000000e+00]
 [  1.41421356e+00   1.00000000e+00   1.00000000e+00]]
In[16]: print A.dot(A) #A*Berechnen Sie A.
[[  4.00000000e+00   0.00000000e+00   0.00000000e+00]
 [  0.00000000e+00   4.00000000e+00  -4.44089210e-16]
 [  0.00000000e+00  -4.44089210e-16   4.00000000e+00]]
In[17]: print U.dot(D.dot(D.dot(U.T))) #A*A=U*D*D*Berechne Ut
[[  4.00000000e+00   3.16592776e-16  -5.71585644e-16]
 [  3.16592776e-16   4.00000000e+00  -4.44089210e-16]
 [ -5.71585644e-16  -4.44089210e-16   4.00000000e+00]]

In jedem Fall scheinen U und D korrekt berechnet zu sein.

Ursprünglich [numpy.linalg.matrix_power](http://docs.scipy.org/doc/numpy-1.10.0/reference/generated/numpy.linalg.matrix_power.html "numpy.linalg.matrix_power" in Python numpy Da es eine Funktion namens ") gibt, die die n-te Potenz einer Matrix berechnen kann, verwenden Sie die obige Funktion nicht zum Zweck der" Berechnung der n-ten Potenz einer symmetrischen Matrix ", sondern können die Eigenwertzerlegung einer symmetrischen Matrix verwenden. Ich denke, es ist sehr effektiv, wenn Sie es tun wollen.

Referenz-URL: http://mathtrain.jp/symmetriceigen http://ksmzn.hatenablog.com/entry/2014/02/16/004921 http://takegue.hatenablog.com/entry/2014/07/26/222141 http://docs.scipy.org/doc/numpy-1.10.0/reference/generated/numpy.linalg.matrix_power.html