Matlab:
m1 = [ 333.33333333 83.33333333 0. ; 83.33333333 333.33333333 83.33333333 ; 0. 3.33333333 166.66666667]
k1 = [ 800. -400. 0.; -400. 800. -400.; 0. -400. 400.]
[vec, val] = eig(m1, k1)
vec =
-0.0106 -0.0289 0.0394
0.0183 -0.0000 0.0683
-0.0211 0.0289 0.0789
蟒蛇:
import scipy
import numpy as np
m1 = np.array[[333.33333333, 83.33333333, 0.], [ 83.33333333, 333.33333333, 83.33333333], [0., 83.33333333, 166.66666667]]
k1 = np.array[[800., -400., 0.], [-400., 800., -400.], [0., -400., 400.]]
val, vec = scipy.linalg.eig(m1, k1)
vec =
[[ 3.53553391e-01, -7.07106781e-01, 3.53553391e-01],
[ 6.12372436e-01, 1.88119544e-16, -6.12372436e-01],
[ 7.07106781e-01, 7.07106781e-01, 7.07106781e-01]]
所以 matlab 和 python 特征向量
vec
不匹配。 Matlab 文档说
[V,D] = eig(A,B) 返回广义特征值的对角矩阵 D 和全矩阵 V,其列是相应的权利 特征向量,所以
.A*V = B*V*D
和
m1 * vec = k1 * vec * val
满足matlab输出但不满足python输出。我如何使用 python、numpy 获得与 matlab 给出的相似特征向量?
特征向量不是唯一的;如果
x
是特征向量,则 a * x
仍然是任何非零标量 a
. 的特征向量
看python和matlab的两个结果;来自 matlab 的
vec
的第一列看起来像来自 python 的 vec
第三列的缩放版本。 matlab 的第二列似乎是 python 的第二列的缩放版本(召回1.88119544e-16
几乎为零)。第三列对应于第一列。所以我的猜测是来自matlab的val
是来自python的val
的反转版本;我无法验证这一点,因为我现在没有 matlab,但你可以验证这一点。
同样在 python 中,请记住
*
是逐元素乘法(即 matlab 中的 .*
)。您可以使用 @
进行矩阵乘法。
import scipy.linalg
import numpy as np
m1 = np.array([[333.33333333, 83.33333333, 0.], [ 83.33333333, 333.33333333, 83.33333333], [0., 83.33333333, 166.66666667]])
k1 = np.array([[800., -400., 0.], [-400., 800., -400.], [0., -400., 400.]])
val, vec = scipy.linalg.eig(m1, k1)
print(m1 @ vec)
print(k1 @ vec * val)
正如你在下面的输出中看到的,我们有相同的输出(虚部是
0.j
,所以你可以忽略它)。
输出:
[[ 1.68882167e+02 -2.35702260e+02 6.68200939e+01]
[ 2.92512493e+02 -3.14270210e-09 -1.15735798e+02]
[ 1.68882167e+02 1.17851130e+02 6.68200939e+01]]
[[ 1.68882167e+02+0.j -2.35702260e+02+0.j 6.68200939e+01+0.j]
[ 2.92512493e+02+0.j -3.14263578e-09+0.j -1.15735798e+02+0.j]
[ 1.68882167e+02+0.j 1.17851130e+02+0.j 6.68200939e+01+0.j]]
首先,如果您的模型是具有
m1
质量矩阵和 k1
刚度矩阵的弹簧质量系统,您应该将您的 matlab eig 调用修复为
[vec, val] = eig(k1, m1)
那么,上面已经说过,特征向量不是唯一的,所以你可以用你想要的任何值对它们进行归一化。例如,您可以对每个特征向量进行归一化,使其按其最大值进行归一化,以便每个向量的最大向量值为 1.0。 Matlab 进行 2 范数归一化。 scipy 可能会进行不同的标准化。你仍然可以得到matlab的结果。在谷歌中检查本征向量和 2 范数归一化,你可以找到如何做到这一点。我现在不记得了,但我以前做过。 另外,您的代码中可能已经正确了,但是在上面的问题中,您忘记了
np.array
之后的括号。应该是np.array([[800., -400., 0.], [-400., 800., -400.], [0., -400., 400.]])