我正在尝试使用NumPy / SciPy编写一个频谱聚类算法，用于更大（但仍易处理）的系统，利用SciPy的稀疏线性代数库。不幸的是，我遇到eigsh()的稳定性问题。
这是我的代码：
import numpy as np
import scipy.sparse
import scipy.sparse.linalg as SLA
import sklearn.utils.graph as graph
W = self._sparse_rbf_kernel(self.X_, self.datashape)
D = scipy.sparse.csc_matrix(np.diag(np.array(W.sum(axis = 0))[0]))
L = graph.graph_laplacian(W) # D - W
vals, vects = SLA.eigsh(L, k = self.k, M = D, which = 'SM', sigma = 0, maxiter = 1000)
sklearn库引用scikit-learn包，特别是this method用于从稀疏的SciPy矩阵计算图拉普拉斯。
_sparse_rbf_kernel是我编写的用于计算数据点的成对亲和力的方法。它通过从图像数据创建稀疏亲和度矩阵来操作，特别是通过仅计算每个像素周围的8个邻域的成对亲和度（而不是使用scikit-learn的rbf_kernel方法对所有像素成对，这对于记录来说不是'解决这个问题。）
由于拉普拉斯非标准化，我正在寻找系统的最小特征值和相应的特征向量。我理解ARPACK is ill-suited for finding small eigenvalues，但我正在尝试使用shift-invert来找到这些值，但仍然没有取得多大成功。
使用上述参数（特别是sigma = 0），我收到以下错误：
RuntimeError: Factor is exactly singular
使用sigma = 0.001，我收到了另一个错误：
scipy.sparse.linalg.eigen.arpack.arpack.ArpackNoConvergence: ARPACK error -1: No convergence (1001 iterations, 0/5 eigenvectors converged)
我已为mode尝试了所有三个不同的值，结果相同。 有关使用SciPy稀疏库查找大型系统的小特征值的建议吗？