Python学习-Scipy库线性代数矩阵运算（LU分解、西尔维斯特方程、块对角矩阵）

Python学习-Scipy库线性代数矩阵运算

目录

1、LU分解

2、西尔维斯特方程

3、建立块对角矩阵

导入库

import numpy as np

1、LU分解

LU分解，矩阵分解的一种，将系数矩阵A转为等价的两个矩阵L、U的乘积，L为单位下三角，U为上三角，是高斯消元法的一种表达式。
在线性代数中已经证明，如果方阵是非奇异的，即的行列式不为0，LU分解总是存在的。
作用：LU分解主要应用在数值分析中，用来解线性方程、求反矩阵或计算行列式。
LU分解函数：linalg.lu()
参数以及返回值说明：
a: 分解矩阵
permute_l：False，执行p*l,返回p、l、u；True，返回pl、u
overwrite_a：是否覆盖a中的数据
check_finite：检查输入矩阵是否具有有限数，有限数可能导致程序崩溃
返回值分析：
permute_l=False时：
p: 置换矩阵(M,M)；
l: 具有单位对角线的下三角矩阵(M,K)或梯形矩阵K=min(M,N)
u: 上三角矩阵(K,N)或梯形矩阵
permute_l=True时：
pl: 为(M,K)数组形的置换矩阵K=min(M,N)；
u: 上三角矩阵(K,N)或梯形矩阵

# # LU分解
from scipy.linalg import lu
"""
LU分解，矩阵分解的一种，将系数矩阵A转为等价的两个矩阵L、U的乘积，L为单位下三角，U为上三角，是高斯消元法的一种表达式。
在线性代数中已经证明，如果方阵是非奇异的，即的行列式不为0，LU分解总是存在的。
LU分解函数：linalg.lu()
作用：LU分解主要应用在数值分析中，用来解线性方程、求反矩阵或计算行列式。
"""
A = np.arange(1, 17).reshape(4, 4)
p, l, u = lu(a=A, permute_l=False, overwrite_a=False, check_finite=True)
"""
a: 分解矩阵
permute_l：False，执行p*l,返回p、l、u；True，返回pl、u
overwrite_a：是否覆盖a中的数据
check_finite：检查输入矩阵是否具有有限数，有限数可能导致程序崩溃
返回值分析：
permute_l=False时：
p: 置换矩阵(M,M)；
l: 具有单位对角线的下三角矩阵(M,K)或梯形矩阵K=min(M,N)
u: 上三角矩阵(K,N)或梯形矩阵
permute_l=True时：
pl: 为(M,K)数组形的置换矩阵K=min(M,N)；
u: 上三角矩阵(K,N)或梯形矩阵
"""
print('原矩阵\n', A)
print('p矩阵\n', p)
print('l矩阵\n', l)
print('u矩阵\n', u)

输出

原矩阵
 [[ 1  2  3  4]
 [ 5  6  7  8]
 [ 9 10 11 12]
 [13 14 15 16]]
p矩阵
 [[0. 1. 0. 0.]
 [0. 0. 0. 1.]
 [0. 0. 1. 0.]
 [1. 0. 0. 0.]]
l矩阵
 [[ 1.          0.          0.          0.        ]
 [ 0.07692308  1.          0.          0.        ]
 [ 0.69230769  0.33333333  1.          0.        ]
 [ 0.38461538  0.66666667 -0.5         1.        ]]
u矩阵
 [[ 1.30000000e+01  1.40000000e+01  1.50000000e+01  1.60000000e+01]
 [ 0.00000000e+00  9.23076923e-01  1.84615385e+00  2.76923077e+00]
 [ 0.00000000e+00  0.00000000e+00 -1.77635684e-15 -1.77635684e-15]
 [ 0.00000000e+00  0.00000000e+00  0.00000000e+00  0.00000000e+00]]

2、西尔维斯特方程：linalg.solve_sylvester()

西尔维斯特方程是控制理论里的矩阵方程，其公式为：AX+XB=C。
其中，A、B是已知的方阵，大小分别为n、m，C也已知；而X、C都是n行、m列的矩阵。
该方程存在唯一解的充分必要条件是A、B没有共同特征值。
主要应用在图像处理领域。
参数介绍：
a：西尔维斯特方程的前导二维矩阵，大小n
b：西尔维斯特方程的尾随二维矩阵，大小m
q：西尔维斯特方程的常数项矩阵，可以是一维或n*m矩阵
返回值x：有解返回n行m列的矩阵，无解返回LinAlgError错误

# 西尔维斯特方程：linalg.solve_sylvester()
from scipy.linalg import solve_sylvester, eig
"""
西尔维斯特方程是控制理论里的矩阵方程，其公式为：AX+XB=C
A、B是已知的方阵，大小分别为n、m，C也已知；而X、C都是n行、m列的矩阵。该方程存在唯一解的充分必要条件是A、B没有共同特征值。
应用在图像处理领域
"""
A = np.arange(9).reshape(3, 3)
v1, _ = eig(A)
print('矩阵A的特征值：', v1)
B = np.array([[1, 2], [3, 4]])
v2, _ = eig(B)
print('矩阵B的特征值：', v2)
C = np.ones((3, 2))
X = solve_sylvester(a=A, b=B, q=C)
"""
a：西尔维斯特方程的前导二维矩阵，大小n
b：西尔维斯特方程的尾随二维矩阵，大小m
q：西尔维斯特方程的常数项矩阵，可以是一维或n*m矩阵
返回值x：有解返回n行m列的矩阵，无解返回LinAlgError错误
"""
print('西尔维斯特方程的解为：\n', X)

输出

矩阵A的特征值： [ 1.33484692e+01+0.j -1.34846923e+00+0.j -2.48477279e-16+0.j]
矩阵B的特征值： [-0.37228132+0.j  5.37228132+0.j]
西尔维斯特方程的解为：
 [[ 0.0529132   0.25386445]
 [ 0.05826397  0.07728894]
 [ 0.06361474 -0.09928656]]

3、建立块对角矩阵：linalg.block_diag()

A = np.array([[1, 0], [0, 1]])
B = np.ones((2, 2))
C = np.array([9])

D = block_diag(A, B, C)
print(D)

输出

[[1. 0. 0. 0. 0.]
 [0. 1. 0. 0. 0.]
 [0. 0. 1. 1. 0.]
 [0. 0. 1. 1. 0.]
 [0. 0. 0. 0. 9.]]