要在数字上对角化 unit矩阵,我使用LAPACK例程zgeev。
问题是:在简并的情况下,简并的子空间未进行正交归一化,因为该例程适用于一般矩阵。
但是,由于在我的情况下,矩阵是一元的,因此基础可以始终进行正交归一化。是否有比将QR算法应用于退化子空间更好的解决方案?
答案 0 :(得分:2)
简短答案: Schur decomposition
!
如果方阵A
是复数,则其Schur因式分解为 A=ZTZ*
,其中Z
为unit,T
为上三角。
如果A
恰好是单一的,则T
也必须是单一的。由于T
是既酉和三角形的,它是对角(proof here,。or there)
让我们考虑向量Z.e_i
,其中e_i是规范基础的向量。这些向量显然构成了正交基础。此外,这些载体是矩阵的本征向量A
。
因此,the矩阵Z的列是the矩阵A
的特征向量,并形成正交标准。
因此,计算a矩阵的Schur分解等同于找到其特征向量的正交基础之一。
生成的T
也可以进行测试,以检查A
是单一的。
尽管scipy的scipy.linalg.schur
使用Lapack的zgees进行Schur分解,但这是一段测试它的python代码。我用hpaulj的代码来生成随机酉矩阵如图How to create random orthonormal matrix in python numpy
import numpy as np
import scipy.linalg
#from hpaulj, https://stackoverflow.com/questions/38426349/how-to-create-random-orthonormal-matrix-in-python-numpy
def rvs(dim=3):
random_state = np.random
H = np.eye(dim)
D = np.ones((dim,))
for n in range(1, dim):
x = random_state.normal(size=(dim-n+1,))
D[n-1] = np.sign(x[0])
x[0] -= D[n-1]*np.sqrt((x*x).sum())
# Householder transformation
Hx = (np.eye(dim-n+1) - 2.*np.outer(x, x)/(x*x).sum())
mat = np.eye(dim)
mat[n-1:, n-1:] = Hx
H = np.dot(H, mat)
# Fix the last sign such that the determinant is 1
D[-1] = (-1)**(1-(dim % 2))*D.prod()
# Equivalent to np.dot(np.diag(D), H) but faster, apparently
H = (D*H.T).T
return H
n=42
A= rvs(n)
A = A.astype(complex)
T,Z=scipy.linalg.schur(A,output='complex',lwork=None,overwrite_a=False,sort=None,check_finite=True)
#print T
normT=np.linalg.norm(T,ord=None) #2-norm
eigenvalues=[]
for i in range(n):
eigenvalues.append(T[i,i])
T[i,i]=0.
normTu=np.linalg.norm(T,ord=None)
print 'must be very low if A is unitary: ',normTu/normT
#print Z
for i in range(n):
v=Z[:,i]
w=A.dot(v)-eigenvalues[i]*v
print i,'must be very low if column i of Z is eigenvector of A: ',np.linalg.norm(w,ord=None)/np.linalg.norm(v,ord=None)