三阶矩阵的lu分解详细步骤_快速入门矩阵运算——开源库Eigen
矩阵是数学中一个重要的工具,广泛应用于各种场景下的数值分析,例如,数字信号处理,图像处理等。我们如何在程序中使用矩阵进行运算呢?本文将为大家介绍一个开源的矩阵运算工具——Eigen。
Eigen is a C++ template library for linear algebra: matrices, vectors, numerical solvers, and related algorithms.
Eigen是一个用于线性运算的C++ 模板库,支持 矩阵和矢量运算,数值分析及其相关的算法。
安装Eigen比较简单需要,从官网下载源码并解压即可,我现在的是最新的eigen-3.3.7版本。
官网下载地址:
http://eigen.tuxfamily.org/index.php?title=Main_Page
我们可以进入Eigen目录,可以发现Eigen库主要包括如下几个模块组成:
Core:Matrix和Array类,基础的线性代数运算和数组操作;
Geometry:旋转,平移,缩放,2维和3维的各种变换;
LU:求逆,行列式,LU分解;
Cholesky:LLT和LDLT Cholesky分解;
Householder:Householder变换;
SVD:SVD分解;
QR:QR分解。
Eigenvalues:特征值,特征向量分解。
Sparse:稀疏矩阵的存储和运算。
Dense:包含了Core、Geometry、LU、Cholesky、SVD、QR、Eigenvalues等模块。
Eigen:包含了Dense和Sparse模块。
Eigen的食用方法非常之简单,在使用时我们只需要从解压后的文件目录中找到需要使用的库,然后,在源代码中包含相应的库即可食用了。因为Eigen是用模板写的模板库,所以只能把头文件包含进来使用。W君是在工程工作目录解压的,请参考如下代码包含Eigen库。
#include "eigen_3_3_7/Eigen/Eigen"
Matrix和Array模板类
Eigen库提供有Matrix和Array两种模板类。它们定义如下:
typedef Matrix MyMatrixType;typedef Array MyArrayType
其中,通常我们会根据需要设置前三个参数,其它为默认值即可。
Scalar:指定元素类型,比如,float, double, bool, int 等。
RowsAtCompileTime:指定行数或者设置成动态(Dynamic);
ColsAtCompileTime:指定列数或者设置成动态(Dynamic);
Options:标志位,可以是ColMajor或RowMajor,默认是ColMajor;
从上面可以看出,行数和列数是允许固定大小,也允许动态大小的,所以下面的几种类型是可以的。
Matrix<double, 10, 5>Matrix<double, 10, Dynamic>Matrix<double, Dynamic, 5>Matrix<double, Dynamic, Dynamic>Array<float ,Dynamic,1>Array<float ,10,3>
另外,我们还可以使用Eigen库已经重定义的类型,下面是一些简单的例子可参考。
矩阵的定义和初始化
下面我们先看看Matrix模板类,它包含矩阵(Matrix)和向量(Vector),对于Vector来说,它也是一个矩阵,不过特殊的是行或者列数为1,我们称作行向量或者列向量。接下来我们来写个程序来看一下。
#include #include "eigen_3_3_7/Eigen/Eigen"int main(){ Eigen::MatrixXf matrix1(3,4); //定义了矩阵的大小,但是没有初始化。 Eigen::Vector3f vector1; matrix1 = Eigen::MatrixXf::Zero(3,4); //对矩阵进行初始化。 vector1 = Eigen::Vector3f::Ones(); std::cout << "------ matrix1 ------" << std::endl << matrix1 << std::endl; std::cout << "------ vector1 ------" << std::endl << vector1 << std::endl;}
在上面的代码中,MatrixXf是一个行列可动态设置的矩阵,Vector3f是一个有3个元素的列向量。
typedef Matrix MatrixXf;typedef Matrix Vector3f;
需要注意到是在定义矩阵大小时是没有初始化矩阵的,需要重新对矩阵进行初始化,这里是用Zero和Ones函数对其初始化,Zero是初始化为全0,而Ones是初始化为全1。最后,我们看一下执行结果。
当然,我们也可以给定任意值,每个值用逗号隔开,不过,这种方法只能适用于确定矩阵大小的情况下使用。
Eigen::MatrixXf matrix1(3,4); Eigen::Vector3f vector1; matrix1 << 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12; vector1 << 1, 2, 3;
执行结果如下:
另外,我们还可以用()对某个元素进行访问,我们可以对其可读和可写。
Eigen::MatrixXf matrix1(3,4); Eigen::Vector3f vector1; matrix1 << 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12; vector1 << 1, 2, 3; matrix1(1,3) = 100; vector1(1) = 100;
我们将matrix1的第2行,第4列修改成100;vector1的第2行修改成100,程序执行结果如下:
矩阵的基本运算
学习了矩阵的定义,那我们下面来看一下几个基本的矩阵运算。Matrix重载了+,+=,-,-+,×,×=,/,/=这几个基本的四则运算。
对于加减运算,需要注意一下几点:
左右矩阵的行列对应相等;
数据的类型也要相同,因为矩阵运算不支持隐式类型转换;
不支持和标量进行加减运算。
我们来看一个例子:
#include #include "eigen_3_3_7/Eigen/Eigen"int main(){ Eigen::MatrixXf matrix1(2,3); Eigen::MatrixXf matrix2(2,3); matrix1 << 1, 2, 3, 5, 6, 7; matrix2 << 1, 1, 2, 2, 1, 1; std::cout << "------ matrix1 ------" << std::endl << matrix1 << std::endl; std::cout << "------ matrix2 ------" << std::endl << matrix1 << std::endl; std::cout << "------ matrix1 + matrix2 ------" << std::endl << matrix1 + matrix2 << std::endl;}
执行结果如下:
关于乘除法运算,矩阵支持矩阵和标量之间的乘除法运算,标量和矩阵中的每个元素相运算。
#include #include "eigen_3_3_7/Eigen/Eigen"int main(){ Eigen::MatrixXf matrix1(2,3); Eigen::MatrixXf matrix2(2,3); matrix1 << 1, 2, 3, 5, 6, 7; matrix2 << 1, 1, 2, 2, 1, 1; std::cout << "------ matrix1 ------" << std::endl << matrix1 << std::endl; std::cout << "------ matrix2 ------" << std::endl << matrix2 << std::endl; std::cout << "------ matrix1 * 2 ------" << std::endl << matrix1 * 2 << std::endl; std::cout << "------ matrix2 / 2 ------" << std::endl << matrix2 / 2 << std::endl;}
执行结果如下:
关于矩阵和矩阵之间的乘法,两个矩阵只有当左边的矩阵的列数等于右边矩阵的行数时,两个矩阵才可以进行矩阵的乘法运算 。如下图,左边矩阵第i行的元素逐个和右边矩阵第j列的元素相乘,乘积再相加,就是第i行,第j列的结果。对于Eigen库来说,它通过重载*运算符帮我们实现了这个运算过程,我们直接使用*运算符即可。
#include #include "eigen_3_3_7/Eigen/Eigen"int main(){ Eigen::MatrixXf matrix1(2,3); Eigen::MatrixXf matrix2(3,2); matrix1 << 1, 2, 3, 5, 6, 7; matrix2 << 1, 1, 2, 1, 3, 1; std::cout << "------ matrix1 ------" << std::endl << matrix1 << std::endl; std::cout << "------ matrix2 ------" << std::endl << matrix2 << std::endl; std::cout << "------ matrix1 * matrix2 ------" << std::endl << matrix1 * matrix2 << std::endl;}
执行结果如下:
另外,还包括矩阵的转置、共轭和共轭转置等矩阵运算,在Eigen中分别是有transpose()、conjugate()、adjoint()函数可实现。
#include #include "eigen_3_3_7/Eigen/Eigen"int main(){ Eigen::MatrixXf matrix1(2, 3); Eigen::MatrixXf matrix2(2, 3); matrix1 << 1, 2, 3, 4, 5, 6; std::cout << "------ matrix1 ------" << std::endl << matrix1 << std::endl; // 转置 std::cout << "------ matrix1 transpose------" << std::endl << matrix1.transpose() << std::endl; // 共轭 std::cout << "------ matrix1 conjugate------" << std::endl << matrix1.conjugate() << std::endl; // 共轭转置 std::cout << "------ matrix1 adjoint------" << std::endl << matrix1.adjoint() << std::endl;}
执行结果如下,不过,代码中实数的共轭还是其本身。
数组的定义和初始化
有的时候我们并不需要做线性代数矩阵运算,而只是做元素级的操作,这个时候就需要用到Array了。对Array来说,它和Matrix的定义和初始化的方式是一样的。
#include #include "eigen_3_3_7/Eigen/Eigen"int main(){ Eigen::ArrayXXf array1(2,3); Eigen::ArrayXXf array2(3,3); Eigen::ArrayXXf array3(5,10); array1(0,0) = 1; array1(0,1) = 2; array1(0,2) = 2; array1(1,0) = 1; array1(1,1) = 2; array1(1,2) = 2; array2 << 1, 2, 3, 4, 5, 6, 7, 8, 9; array3 = Eigen::ArrayXXf::Ones(5, 10); std::cout << "------ array1 ------" << std::endl << array1 << std::endl; std::cout << "------ array2 ------" << std::endl << array2 << std::endl; std::cout << "------ array3 ------" << std::endl << array3 << std::endl;}
这里的ArrayXXf也是Eigen库重定义的,它行和列数可以动态设置。我们可以看到Array的初始化和Matrix也是类似的 。
typedef Array<double,Dynamic ,Dynamic > ArrayXXf;
下面是执行结果:
数组的基本运算
Array同样也重载了四则运算,但是,这里数据只是对数组内的元素做算术运算,而不是矩阵线性运算。所以,对于Array来数,两个数据的大小相同,即行数和行数相同,列数和列数相同,它的四则运算就是取两个数组相应位置的元素参与运算,运算的结果就是对应位置的值。
当然,也支持和标量之间的运算,数组中的每个元素都乘以这个标量,这个和矩阵一样。
#include #include "eigen_3_3_7/Eigen/Eigen"int main(){ Eigen::ArrayXXf array1(2, 3); Eigen::ArrayXXf array2(2, 3); array1 << 1, 2, 3, 4, 5, 6; array2 << 1, 2, 1, 1, 1, 2; std::cout << "------ array1 ------" << std::endl << array1 << std::endl; std::cout << "------ array2 ------" << std::endl << array2 << std::endl; std::cout << "------ array1 + array2 ------" << std::endl << array1 + array2 << std::endl; std::cout << "------ array1 - array2 ------" << std::endl << array1 - array2 << std::endl; std::cout << "------ array1 * array2 ------" << std::endl << array1 * array2 << std::endl; std::cout << "------ array1 / array2 ------" << std::endl << array1 / array2 << std::endl; std::cout << "------ array1 * 2 ------" << std::endl << array1 * 2 << std::endl;}
执行结果:
Matrix和Array两者是可以相互转换的。Matrix类有array()方法,可将Matrix转换为Array。Array类有matrix()方法,可将Array转换成Matrix。
总之,Eigen是一个很不错的开源库,官网还有更加详细的文档,大家可以参考:
http://eigen.tuxfamily.org/dox/GettingStarted.html
http://eigen.tuxfamily.org/dox/group__TutorialMatrixClass.html
http://eigen.tuxfamily.org/dox/group__QuickRefPage.html
http://eigen.tuxfamily.org/dox/Eigen2ToEigen3.html
- End -
阅读推荐:
大端模式与小端模式
KMP匹配算法
递归(Recursion Algorithm)
VS Code 编译和调试C/C++程序也可以这么爽
5G毫米波
感谢大家耐心的阅读,如有所收获,请记得点赞,点亮在看,分享转发,也欢迎大家在下方留言,一起交流学习,感谢大家的支持!
三阶矩阵的lu分解详细步骤_快速入门矩阵运算——开源库Eigen相关推荐
- 三阶矩阵的lu分解详细步骤_数学 - 线性代数导论 - #4 矩阵分解之LU分解的意义、步骤和成立条件...
线性代数导论 - #4 矩阵分解之LU分解的意义.步骤和成立条件 目前我们用于解线性方程组的方法依然是Gauss消元法.在Gauss消元法中,我们将右侧向量b与A写在一起作为一个增广矩阵进行同步的操作 ...
- eigen 列向量转矩阵_快速入门矩阵运算——开源库Eigen
矩阵是数学中一个重要的工具,广泛应用于各种场景下的数值分析,例如,数字信号处理,图像处理等.我们如何在程序中使用矩阵进行运算呢?本文将为大家介绍一个开源的矩阵运算工具--Eigen. Eigen is ...
- 三阶矩阵的lu分解详细步骤_计算方法(三)矩阵分解2-LU分解
LU分解(LU Decomposition)是矩阵分解的一种,可以将一个矩阵分解为一个下三角矩阵和一个上三角矩阵的乘积,作为解线性方程以及优化高斯消去法的一个分解方法,在后续文章中会使用到. 如下列方 ...
- c# lu分解的代码_矩阵LU分解分块算法实现
本文主要描述实现LU分解算法过程中遇到的问题及解决方案,并给出了全部源代码. 1. 什么是LU分解? 矩阵的LU分解源于线性方程组的高斯消元过程.对于一个含有N个变量的N个线性方程组,总可以用高斯消去 ...
- MIT线性代数笔记四 矩阵的LU分解
文章目录 1. 矩阵的LU分解 2. 消元法所需运算量 3. 行互换 Row exchanges 本节的主要目的是从矩阵的角度理解高斯消元法,最后找到所谓的 LLL矩阵,使得矩阵 AAA可以转变为 ...
- matlab将矩阵分解成lu,10行代码实现矩阵的LU分解(matlab)
最近由于数值分析实验课要求,需要通过matlab实现矩阵的LU分解.但是看了很多网友写的程序,基本上都是通过循环嵌套循环来实现矩阵的LU分解.略感琐碎,因此最近两天便一直在思考能否利用矩阵的乘v法,来 ...
- 线性代数笔记10——矩阵的LU分解
在线性代数中, LU分解(LU Decomposition)是矩阵分解的一种,可以将一个矩阵分解为一个单位下三角矩阵和一个上三角矩阵的乘积(有时是它们和一个置换矩阵的乘积).LU分解主要应用在数值分析 ...
- 两矩阵相乘的秩的性质_MIT—线性代数笔记04 矩阵的LU分解
第04讲 矩阵的LU分解 Factorization into A=LU 04 A的LU分解v.youku.com 本节的主要目的是从矩阵的角度理解高斯消元法,最后找到所谓的L矩阵,使得矩阵A可以转 ...
- 矩阵的LU分解初步:一个对角线上元素非零的方阵
上一篇我们对下三角矩阵的求解给出了一个方便的求解,利用消元代入可以在Θ(N2)\Theta(N^2)Θ(N2) 的时间内完成,对于上三角矩阵,我们仍然可以利用类似的方法在相同的时间内求解. 对于一个非 ...
最新文章
- 2022-2028年中国电子陶瓷行业深度调研及投资前景预测报告
- 如何在使用新技术前评估其浏览器兼容性
- 大白话详解Spring Security认证流程
- Centos7 防火墙开放端口,查看状态,查看开放端口
- 奥鹏C语言专科在线作业答案,奥鹏13春电子科大《C语言(专科)》在线作业3答案...
- 管程,进程及线程之间的区别
- OpenWrt安装迅雷成功,实现BT emule等多协议下载
- python中np没有定义_python中的np.empty_python – np.empty,np.zeros和np.one
- 【模拟】聊天服务器的外部流量
- html留言板 php,linux下使用Apache+php实现留言板功能的网站
- bzoj3110树套树
- Cardboard:虚拟现实怎样在国内最容易普及
- 手机横版动作类游戏的开发思路
- 当前最热门的编程语言python_2020年度最热门的编程语言盘点
- 研究生生存指南之论文
- Windows核心技术--com组件实用入门教程
- 2014年视频聊天室开发经验分享
- AWTK-MVVM 在 STM32H743 上的移植笔记
- 空间分析方法在计算机上的应用,空间分析
- AI化身心脏病“专家” 为心脏健康保驾护航