2

我有一个大小为 128x128 的矩阵。每个条目都是一个二进制字段元素（在我的用例中，只有 0 和 1）。我尝试在 matlab 中反转这个矩阵。我在 matlab 中找到了一些在http://www.mathworks.com/help/comm/galois-field-computations.html进行有限域矩阵求逆的函数。

但是，这些内置函数仅支持最大 16x16 的矩阵大小。还有其他方法可以克服这个限制吗？我对 Python 或 C/C++ 等其他工具持开放态度。

如果您想尝试您的方法，这里是测试矩阵及其逆矩阵。

矩阵 A [0,0,0,1,0,0,1,0;1,1,1,0,1,0,1,1;1,1,1,0,1,1,0,1 ;0,1,0,0,0,0,1,0;0,1,1,1,1,1,1,0;1,0,1,1,0,0,1,0;0 ,0,1,0,0,0,1,0;0,0,0,0,0,1,0,0]

矩阵 A^-1 [1,1,1,0,0,1,1,1;0,1,1,1,0,0,0,1;0,1,1,0,0,0, 1,1;1,1,1,0,0,0,0,1;1,0,0,1,1,0,1,1;0,0,0,0,0,0,0, 1;0,1,1,0,0,0,0,1;0,1,0,0,1,1,1,1]

4

2 回答 2

1

看看 SAGE www.sagemath.org

于 2015-05-11T07:28:27.243 回答
0

可以通过对 执行高斯消元（在伽罗瓦域中执行所有算术）来完成在伽罗瓦域上的矩阵求逆[A | I]，这会导致[I | A^-1].

这是一些执行高斯消除（行减少）的伪代码。

def row_reduce(A):
    A_rre = A.copy()
    p = 0  # The pivot

    for j in range(A.shape[1]):
        # Find a pivot in column `j` at or below row `p`
        idxs = np.nonzero(A_rre[p:,j])[0]
        if idxs.size == 0:
            continue
        i = p + idxs[0]  # Row with a pivot

        # Swap row `p` and `i`. The pivot is now located at row `p`.
        A_rre[[p,i],:] = A_rre[[i,p],:]

        # Force pivot value to be 1
        A_rre[p,:] /= A_rre[p,j]

        # Force zeros above and below the pivot
        idxs = np.nonzero(A_rre[:,j])[0].tolist()
        idxs.remove(p)
        A_rre[idxs,:] -= np.multiply.outer(A_rre[idxs,j], A_rre[p,:])

        p += 1
        if p == A_rre.shape[0]:
            break

    return A_rre

我有这个用例，但找不到完成此任务的 Python 库。所以我创建了一个 Python 包galois，它在 Galois 字段上扩展了 NumPy 数组。np.linalg它支持使用正规函数的线性代数。

这是使用您的测试矩阵的示例。

In [1]: import numpy as np                                                                              

In [2]: import galois                                                                                   

In [3]: GF = galois.GF(2)                                                                               

In [4]: A = GF([[0,0,0,1,0,0,1,0],[1,1,1,0,1,0,1,1],[1,1,1,0,1,1,0,1],[0,1,0,0,0,0,1,0],[0,1,1,1,1,1,1,0
   ...: ],[1,0,1,1,0,0,1,0],[0,0,1,0,0,0,1,0],[0,0,0,0,0,1,0,0]]); A                                    
Out[4]: 
GF([[0, 0, 0, 1, 0, 0, 1, 0],
    [1, 1, 1, 0, 1, 0, 1, 1],
    [1, 1, 1, 0, 1, 1, 0, 1],
    [0, 1, 0, 0, 0, 0, 1, 0],
    [0, 1, 1, 1, 1, 1, 1, 0],
    [1, 0, 1, 1, 0, 0, 1, 0],
    [0, 0, 1, 0, 0, 0, 1, 0],
    [0, 0, 0, 0, 0, 1, 0, 0]], order=2)

In [5]: A_inv = np.linalg.inv(A); A_inv                                                                 
Out[5]: 
GF([[1, 1, 1, 0, 0, 1, 1, 1],
    [0, 1, 1, 1, 0, 0, 0, 1],
    [0, 1, 1, 0, 0, 0, 1, 1],
    [1, 1, 1, 0, 0, 0, 0, 1],
    [1, 0, 0, 1, 1, 0, 1, 1],
    [0, 0, 0, 0, 0, 0, 0, 1],
    [0, 1, 1, 0, 0, 0, 0, 1],
    [0, 1, 0, 0, 1, 1, 1, 1]], order=2)

In [6]: A @ A_inv                                                                                       
Out[6]: 
GF([[1, 0, 0, 0, 0, 0, 0, 0],
    [0, 1, 0, 0, 0, 0, 0, 0],
    [0, 0, 1, 0, 0, 0, 0, 0],
    [0, 0, 0, 1, 0, 0, 0, 0],
    [0, 0, 0, 0, 1, 0, 0, 0],
    [0, 0, 0, 0, 0, 1, 0, 0],
    [0, 0, 0, 0, 0, 0, 1, 0],
    [0, 0, 0, 0, 0, 0, 0, 1]], order=2)
于 2021-08-13T21:31:38.437 回答