scipy.linalg.qr_update¶
- scipy.linalg.qr_update(Q, R, u, v, overwrite_qruv=False, check_finite=True)¶
秩-k QR更新
如果
A = Q R
是的QR因式分解A
,返回的QR因子分解A + u v**T
真的A
或A + u v**H
对于复杂的A
。- 参数
- Q(M,M)或(M,N)类阵列
由A的QR分解得到的酉/正交矩阵。
- R(M,N)或(N,N)类阵列
由A的QR分解得到的上三角矩阵。
- u(M,)或(M,k)类阵列
左更新向量
- v(n,)或(N,k)类阵列
右更新向量
- overwrite_qruv布尔值,可选
如果为True,请在执行更新时使用q、R、u和v(如果可能),否则根据需要进行复制。默认为False。
- check_finite布尔值,可选
是否检查输入矩阵是否仅包含有限个数字。禁用可能会带来性能提升,但如果输入确实包含无穷大或NAN,则可能会导致问题(崩溃、非终止)。默认值为True。
- 退货
- Q1ndarray
更新的酉/正交因子
- R1ndarray
更新的上三角因子
参见
注意事项
此例程不能保证 R1 是真实的还是正面的。
0.16.0 新版功能.
参考文献
- 1
高卢布,G.H.&Van Loan,C.F.矩阵计算,第三版。(约翰·霍普金斯大学出版社,1996)。
- 2
Daniel,J.W.,Gragg,W.B.,Kaufman,L.&Stewart,G.W.重新正交化和更新Gram-Schmidt QR分解的稳定算法。数学课。电脑。30,772-795(1976)。
- 3
Reichel,L.&Gragg,W.B.算法686:用于更新QR分解的Fortran子例程。ACM传输数学课。软件。16369-377(1990)。
示例
>>> from scipy import linalg >>> a = np.array([[ 3., -2., -2.], ... [ 6., -9., -3.], ... [ -3., 10., 1.], ... [ 6., -7., 4.], ... [ 7., 8., -6.]]) >>> q, r = linalg.qr(a)
给定此q,r分解,执行秩1更新。
>>> u = np.array([7., -2., 4., 3., 5.]) >>> v = np.array([1., 3., -5.]) >>> q_up, r_up = linalg.qr_update(q, r, u, v, False) >>> q_up array([[ 0.54073807, 0.18645997, 0.81707661, -0.02136616, 0.06902409], # may vary (signs) [ 0.21629523, -0.63257324, 0.06567893, 0.34125904, -0.65749222], [ 0.05407381, 0.64757787, -0.12781284, -0.20031219, -0.72198188], [ 0.48666426, -0.30466718, -0.27487277, -0.77079214, 0.0256951 ], [ 0.64888568, 0.23001 , -0.4859845 , 0.49883891, 0.20253783]]) >>> r_up array([[ 18.49324201, 24.11691794, -44.98940746], # may vary (signs) [ 0. , 31.95894662, -27.40998201], [ 0. , 0. , -9.25451794], [ 0. , 0. , 0. ], [ 0. , 0. , 0. ]])
更新是等效的,但比下面的更新更快。
>>> a_up = a + np.outer(u, v) >>> q_direct, r_direct = linalg.qr(a_up)
检查我们是否有相同的结果:
>>> np.allclose(np.dot(q_up, r_up), a_up) True
并且更新后的Q仍然是么正的:
>>> np.allclose(np.dot(q_up.T, q_up), np.eye(5)) True
更新经济(精简、精简)分解也是可能的:
>>> qe, re = linalg.qr(a, mode='economic') >>> qe_up, re_up = linalg.qr_update(qe, re, u, v, False) >>> qe_up array([[ 0.54073807, 0.18645997, 0.81707661], # may vary (signs) [ 0.21629523, -0.63257324, 0.06567893], [ 0.05407381, 0.64757787, -0.12781284], [ 0.48666426, -0.30466718, -0.27487277], [ 0.64888568, 0.23001 , -0.4859845 ]]) >>> re_up array([[ 18.49324201, 24.11691794, -44.98940746], # may vary (signs) [ 0. , 31.95894662, -27.40998201], [ 0. , 0. , -9.25451794]]) >>> np.allclose(np.dot(qe_up, re_up), a_up) True >>> np.allclose(np.dot(qe_up.T, qe_up), np.eye(3)) True
与上面类似,执行秩2更新。
>>> u2 = np.array([[ 7., -1,], ... [-2., 4.], ... [ 4., 2.], ... [ 3., -6.], ... [ 5., 3.]]) >>> v2 = np.array([[ 1., 2.], ... [ 3., 4.], ... [-5., 2]]) >>> q_up2, r_up2 = linalg.qr_update(q, r, u2, v2, False) >>> q_up2 array([[-0.33626508, -0.03477253, 0.61956287, -0.64352987, -0.29618884], # may vary (signs) [-0.50439762, 0.58319694, -0.43010077, -0.33395279, 0.33008064], [-0.21016568, -0.63123106, 0.0582249 , -0.13675572, 0.73163206], [ 0.12609941, 0.49694436, 0.64590024, 0.31191919, 0.47187344], [-0.75659643, -0.11517748, 0.10284903, 0.5986227 , -0.21299983]]) >>> r_up2 array([[-23.79075451, -41.1084062 , 24.71548348], # may vary (signs) [ 0. , -33.83931057, 11.02226551], [ 0. , 0. , 48.91476811], [ 0. , 0. , 0. ], [ 0. , 0. , 0. ]])
此更新也是有效的QR分解
A + U V**T
。>>> a_up2 = a + np.dot(u2, v2.T) >>> np.allclose(a_up2, np.dot(q_up2, r_up2)) True >>> np.allclose(np.dot(q_up2.T, q_up2), np.eye(5)) True