scipy.linalg.
fiedler#
- scipy.linalg.fiedler(a)[source]#
返回一个对称的 Fiedler 矩阵
给定一个数字序列 a,Fiedler 矩阵的结构为
F[i, j] = np.abs(a[i] - a[j])
,因此对角线为零且所有元素非负。Fiedler 矩阵有一个主导正特征值,其他特征值均为负。虽然通常不普遍适用,但在某些输入下,其逆矩阵和行列式可以如 [1] 中所述明确推导。- 参数:
- a(…, n,) 数组类型
系数数组。N 维数组被视为批处理:沿最后一个轴的每个切片都是一个一维系数数组。
- 返回:
- F(…, n, n) ndarray
Fiedler 矩阵。对于批处理输入,输出的最后两个维度上形状为
(n, n)
的每个切片都对应于输入的最后一个维度上形状为(n,)
的切片。
备注
在 1.3.0 版本中添加。
参考文献
[1]J. Todd, “Basic Numerical Mathematics: Vol.2 : Numerical Algebra”, 1977, Birkhauser, DOI:10.1007/978-3-0348-7286-7
示例
>>> import numpy as np >>> from scipy.linalg import det, inv, fiedler >>> a = [1, 4, 12, 45, 77] >>> n = len(a) >>> A = fiedler(a) >>> A array([[ 0, 3, 11, 44, 76], [ 3, 0, 8, 41, 73], [11, 8, 0, 33, 65], [44, 41, 33, 0, 32], [76, 73, 65, 32, 0]])
行列式的显式公式和逆矩阵似乎仅对单调递增/递减数组有效。请注意三对角结构和角落。
>>> Ai = inv(A) >>> Ai[np.abs(Ai) < 1e-12] = 0. # cleanup the numerical noise for display >>> Ai array([[-0.16008772, 0.16666667, 0. , 0. , 0.00657895], [ 0.16666667, -0.22916667, 0.0625 , 0. , 0. ], [ 0. , 0.0625 , -0.07765152, 0.01515152, 0. ], [ 0. , 0. , 0.01515152, -0.03077652, 0.015625 ], [ 0.00657895, 0. , 0. , 0.015625 , -0.00904605]]) >>> det(A) 15409151.999999998 >>> (-1)**(n-1) * 2**(n-2) * np.diff(a).prod() * (a[-1] - a[0]) 15409152