问题标签 [eigenvalue]

我正在使用 LAPACK 的ssteqr函数来计算特征值/特征向量。ssteqr 的文档说特征值是“按升序”排序的。假设特征向量列表也按升序排序是否合理？

我想知道是否有一个 Python 包，numpy 或其他，它具有计算小矩阵的第一个特征值和特征向量的函数，比如 2x2。我可以在 numpy 中使用 linalg 包，如下所示。

但这需要很长时间。我怀疑这是因为 numpy 通过某种迭代过程计算特征向量。所以我想知道是否有更快的算法只返回第一个（最大）特征值和特征向量，因为我只需要第一个。

对于 2x2 矩阵，我当然可以自己编写一个函数，以解析方式计算特征值和特征向量，但是浮点计算存在问题，例如，当我将一个非常大的数字除以一个非常小的数字时，我得到无穷大或 NaN . 有人对这个有了解吗？请帮忙！先感谢您！

我princomp在 R 中使用来执行 PCA。我的数据矩阵很大（10K x 10K，每个值最多 4 个小数点）。在 Xeon 2.27 GHz 处理器上需要约 3.5 小时和约 6.5 GB 的物理内存。

由于我只想要前两个组件，有没有更快的方法来做到这一点？

更新 ：

除了速度之外，有没有一种内存有效的方法来做到这一点？

使用svd(,2,).

我想在matlab中找到最小的负特征值，从复特征值中，矩阵的所有条目都是复数的方阵（5,5）。答案应该是实值。那么我该如何在matlab中做到这一点?.

如何计算numpy中的中间特征值？

这是正确的方法吗？

a 是一个 numpy 矩阵。

您好，我正在从事一个涉及人脸识别的项目，我正在使用线性判别分析（LDA）。LDA 要求找到类间散布矩阵和类内散布矩阵的广义特征向量，这就是我印象深刻的地方。我正在使用带有 DevC++ 的 opencv 进行编码。基本上问题看起来像

其中 A 和 B 是应该找到广义特征向量的矩阵 lambda 是特征值，v 是向量

在搜索这个问题后，许多人建议去计算 B 的倒数，然后乘以 A*v

然后计算 inv(B)*A 的特征向量。

这似乎是一个很好的解决方案，但在我的情况下，散射矩阵 B 几乎是奇异的。我发现它的行列式是 10^-36 的顺序。所以我找不到它的倒数并继续上述解决方案。所以有人可以建议我一种摆脱这个问题的方法，除了单独为广义特征值问题编写代码。

我想在 Python 中找到稀疏矩阵的 N 个最小特征值。我试过使用这个scipy.sparse.linalg.eigen.arpack包，但计算最小的特征值非常慢。我在某处读到有移位反转模式，但是当我尝试使用它时，我收到一条错误消息，告诉我还不支持移位反转模式。关于我应该如何进行的任何想法？

PCACompute在使用如下所示的 OpenCV函数后，我得到了一个Mat代表均值和一个Mat特征向量。

datiOriginali是我的输入Mat，mean是平均值Mat，eigenvectors是特征向量Mat。

从那里，我使用了 PCAProject：

datiOriginali始终是输入Mat，mean与eigenvectors计算相同，PCACompute并且res是输出Mat。

如何使用 eigenfaces 值执行人脸识别？我不知道如何计算如上所示计算的训练图像和新图像之间的欧几里得距离。

我遇到了一个问题A*x=lambda*x，比如哪里A是有序的d*d，x是有序的d*c，而 lambda 是一个常数。A并且lambda是已知的并且矩阵x是未知的。matlab有什么办法可以解决这个问题吗？？（像特征值，但x它是一个d*c矩阵而不是一个向量）。

我正在尝试在 Matlab 中实现一个非常基本的特征脸计算。它有点工作，但我只得到两个有意义的特征值——其余的都是零。相应的特征向量似乎是正确的，因为它们中的大多数在转换为图像时都会显示特征面。

那么为什么我的大多数特征值都为零？我需要它们不同于零，以便按其重要性（最大特征值）对特征面进行排序。

我正在阅读 400 张图片，每个尺寸 h/w = 112/92 px 它们可以在这里找到：http: //www.cl.cam.ac.uk/Research/DTG/attarchive/pub/data/att_faces.zip

编码：