笙亿网络策划

SciPy 条件数怎么计算？用条件数判断矩阵稳定性的方法有哪些？

约 7 分钟读完 32 阅
文章导读
Previous Quiz Next In SciPy 中，Condition Number（条件数）量化了矩阵对其输入或元素的小幅变化的敏感性。它是评估线性系统、本征值问题和矩阵计算数值稳定性的关键指标。矩阵 A 的条件数定义如下 −
📋 目录
  1. Ⅰ 关键概念
  2. Ⅱ 条件数解释
  3. Ⅲ 条件数与求解线性方程组
A A

SciPy - 条件数

Previous
Quiz
Next

In SciPy 中，Condition Number（条件数）量化了矩阵对其输入或元素的小幅变化的敏感性。它是评估线性系统、本征值问题和矩阵计算数值稳定性的关键指标。矩阵 A 的条件数定义如下 −

κ(A) = ‖ A ‖ ċ ‖ A-1 ‖

其中 A 是矩阵范数，例如 2-norm、Frobenius norm，而 A-1 是逆矩阵的范数。较高的条件数表明矩阵是病态的，这意味着输入的小变化可能导致输出的大误差。对于奇异矩阵，条件数是无穷大的，因为逆矩阵不存在。

关键概念

以下是条件数的关键概念 −

  • Condition number: 一个指示矩阵敏感性的值。较大的条件数，例如 > 106，表明矩阵是病态的，矩阵或输入中的小误差可能导致计算解中的大误差。
  • Norm: 条件数取决于所使用的范数。常见的范数包括 2-norm（谱范数）、1-norm 和 Frobenius norm。

条件数解释

以下是 SciPy 中条件数的解释 −

  • 小的条件数（接近 1）： 矩阵是良条件的，这意味着输入数据的小变化会导致输出的小变化。方程组在数值上是稳定的。
  • 大的条件数： 矩阵是病态的。输入中的小变化或误差可能导致解中的大误差。这通常发生在矩阵接近奇异时，即矩阵没有满秩或具有接近零的奇异值。

示例 1

矩阵的条件数是最大奇异值与最小奇异值的比率。由于没有预定义的函数来实现条件数，我们可以使用 scipy.linalg.svd() 函数手动实现条件数的计算。以下是实现条件数的示例 −

import numpy as np
from scipy.linalg import svd

# Example matrix (well-conditioned)
A_well = np.array([[2, 1], [1, 3]])

# Compute Singular Value Decomposition (SVD)
U, s, Vh = svd(A_well)

# Compute the condition number: max singular value / min singular value
condition_number = s[0] / s[-1]

print(f"Condition number (well-conditioned matrix): {condition_number}")

# Example matrix (ill-conditioned)
A_ill = np.array([[1, 2], [2, 4]])

# Compute Singular Value Decomposition (SVD)
U, s, Vh = svd(A_ill)

# Compute the condition number
condition_number_ill = s[0] / s[-1]

print(f"Condition number (ill-conditioned matrix): {condition_number_ill}")

以下是用于实现条件数的 scipy.linalg.svd() 函数的输出 −

Condition number (well-conditioned matrix): 2.6180339887498953
Condition number (ill-conditioned matrix): 2.5175887275607884e+16

示例 2

以下是使用 scipy.linalg.svd() 函数一起实现良条件矩阵和病态矩阵的示例 −

import numpy as np
from scipy.linalg import svd

# Well-conditioned matrix
A_well = np.array([[2, 1], [1, 3]])

# Ill-conditioned matrix
A_ill = np.array([[1, 2], [2, 4]])

# Compute singular values and condition numbers for both matrices

def compute_condition_number(A):
    # Compute singular values using SVD
    U, S, Vt = svd(A)
    # Condition number is the ratio of the largest to the smallest singular value
    return S[0] / S[-1]

# Condition numbers
condition_number_well = compute_condition_number(A_well)
condition_number_ill = compute_condition_number(A_ill)

print(f"Singular values (well-conditioned matrix): {svd(A_well)[1]}")
print(f"Condition number (well-conditioned matrix): {condition_number_well}")

print(f"Singular values (ill-conditioned matrix): {svd(A_ill)[1]}")
print(f"Condition number (ill-conditioned matrix): {condition_number_ill}")

以下是用于实现良条件矩阵和病态矩阵的 scipy.linalg.svd() 函数的输出 −

Singular values (well-conditioned matrix): [3.61803399 1.38196601]
Condition number (well-conditioned matrix): 2.6180339887498953
Singular values (ill-conditioned matrix): [5.00000000e+00 1.98602732e-16]
Condition number (ill-conditioned matrix): 2.5175887275607884e+16

条件数与求解线性方程组

在求解线性方程组 Ax=b 时，矩阵 A 的条件数 cond(A) 提供了解 x 对矩阵 A 或向量 b 小变化的响应变化程度的估计。

  • 如果条件数较低，则求解系统是稳定的，A 或 b 的小变化只会导致 x 的小变化。
  • 如果条件数较高，则解可能对误差高度敏感。A 或 b 的小变化可能导致 x 的大变化。