我一直在尝试逐步可视化 QR 分解,但没有得到预期的结果。我是 numpy 的新手,所以如果任何专家的眼睛都能发现我可能遗漏的东西,那就太好了:
import numpy as np
from scipy import linalg
A = np.array([[12, -51, 4],
[6, 167, -68],
[-4, 24, -41]])
#Givens
v = np.array([12, 6])
vnorm = np.linalg.norm(v)
W_12 = np.array([[v[0]/vnorm, v[1]/vnorm, 0],
[-v[1]/vnorm, v[0]/vnorm, 0],
[0, 0, 1]])
W_12 * A #this should return a matrix such that [1,0] = 0
#gram-schmidt
A[:,0]
v = np.linalg.norm(A[:,0]) * np.array([1, 0, 0])
u = (A[:,0] - v)
u = u / np.linalg.norm(u)
W1 = np.eye(3) - 2 * np.outer(u, u.transpose())
W1 * A #this matrix's first column should look like [a, 0, 0]
任何帮助澄清这个中间结果没有显示他们应该被广泛接受的属性的事实
请您参考如下方法:
NumPy 旨在处理同构多维数组,它不是专门的线性代数 包。因此,根据设计,* 运算符是逐元素乘法,而不是矩阵乘积。
如果想得到矩阵乘积,有以下几种方式:
您可以创建
np.matrix对象,而不是np.ndarray对象,*运算符 是矩阵乘积。您还可以使用
@运算符,如W_12 @A,它是矩阵乘积。或者您可以使用
np.dot(W_12, A)或W_12.dot(A)来计算点积。
其中任何一个,使用您提供的数据,为 Givens 轮换返回以下内容:
>>> np.dot(W_12 A)[1, 0]
-2.2204460492503131e-16
这是 Gram-Schmidt 步骤:
>>> (W1.dot(A))[:, 0]
array([ 1.40000000e+01, -4.44089210e-16, 4.44089210e-16])
