让
import numpy as np
M = np.array([[ 1., -0.5301332 , 0.80512845],
[ 0., 0., 0.],
[ 0., 0., 0.]])
M
是等级一,它唯一的非零特征值是1(它的轨迹)。然而 np.linalg.norm(M, ord=2)
返回1.39,严格来说大于1,为什么?
M的特征值,由 np.linalg.eigvals
是1,0,0,但M的奇异值是1.39,0,0,这让我很意外。我到底错过了什么?
矩阵的第二准则 所有元素之和的平方根的平方数
norm(M, ord=2) = (1.**2 + 0.5301332**2 + 0.80512845**2)**0.5 = 1.39
为了得到特征值和奇异值之间的关系,你需要计算M^H.M的特征值,并对其进行平方根计算。
eigV = np.linalg.eigvals(M.T.dot(M))
array([1.92927303, 0. , 0. ])
eigV**0.5
array([1.38898273, 0. , 0. ])
这是很正常的。在一般情况下,奇异值不等于特征值。只有对于正赫米特矩阵才是如此。
对于平方矩阵,你有以下关系。
M = np.matrix([[ 1., -0.5301332 , 0.80512845],
[ 0., 0., 0.],
[ 0., 0., 0.]])
u, v= np.linalg.eig(M.H @ M) # M.H @ M is Hermitian
print(np.sqrt(u)) # [1.38898273 0. 0. ]
u,s,v = lin.svd(M)
print(s) # [1.38898273 0. 0. ]
在这种特殊情况下,2-norm的 M
与Frobenius法则重合,该法则由以下公式给出 (np.sum(np.abs(M**2)))**(1/2)
,因此我们可以看到。
import numpy as np
M = np.array([[ 1., -0.5301332 , 0.80512845],
[ 0., 0., 0.],
[ 0., 0., 0.]])
np.sqrt(np.sum(np.abs(M**2)))
1.388982732341062
np.sqrt(np.sum(np.abs(M**2))) == np.linalg.norm(M,ord=2) == np.linalg.norm(M, ord='fro')
True
特别是我们可以证明2-norm是最大特征值的平方根 M.T@M
即
np.sqrt(np.linalg.eigvals(M.T@M)[0])
1.388982732341062
而这是它与矩阵的特征值的关系。现在回忆一下,奇异值是M.T@M的特征值的平方根,我们解开其中的迷团。
利用Frobenius规范(M.T@M的迹值之和的平方根)的特征。
np.sqrt(np.sum(np.diag(M.T@M)))
1.388982732341062
面对结果:
np.sqrt(np.linalg.eigvals(M.T@M)[0]) == np.sqrt(np.sum(np.diag(M.T@M))) == np.linalg.svd(M)[1][0]
True