1 介绍
当一个实矩阵A是对称正定矩阵的时候,它可以分解成一个下三角矩阵L以及它的转置
讯享网的乘积,即:

1.1 矩阵半正定的情况
如果矩阵是正定的话,那么L唯一确定;如果矩阵是半正定的话,那么也可以分解,不过此时L不唯一。
2 举例

3 使用 scipy.linalg.cholesky求解
3.1 用法
scipy.linalg.cholesky( a, lower=False, overwrite_a=False, check_finite=True)
讯享网
返回值:c:(M,M)ndarray,表示a的上三角或下三角Cholesky因子。
3.2 参数介绍
| a | (M, M) array_like 待分解的矩阵 |
| lower | bool, 可选参数 是计算上三角Cholesky还是下三角Cholesky分解。默认值为upper-triangular |
| overwrite_a | bool, 可选参数 是否覆盖a中的数据(可能会提高性能) |
| check_finite | bool, 可选参数
是否检查输入矩阵仅包含有限数。禁用可能会提高性能,但是如果输入中确实包含无穷大或NaN,则会导致问题(崩溃,终止)。 |
3.3 用法举例
讯享网import numpy as np from scipy import linalg a = np.array([[4, 12, -16], [12, 37, -43], [-16, -43, 98]]) L_lower = linalg.cholesky(a, lower=True) # 默认计算 upper, 所以指定 lower = True L_upper = linalg.cholesky(a) print(L_lower,'\n',L_upper) ''' [[ 2. 0. 0.] [ 6. 1. 0.] [-8. 5. 3.]] [[ 2. 6. -8.] [ 0. 1. 5.] [ 0. 0. 3.]] ''' print(L_lower @ L_upper) ''' [[ 4. 12. -16.] [ 12. 37. -43.] [-16. -43. 98.]] '''
4 平方根法求L
我们假设矩阵A可以分解成![]()

的结果为:

- 首先我们看第一个元素:

- 然后我们看第一列的其他元素:

- 之后,我们假设已经算出了L矩阵的前k-1列元素
- 通过
,可以得到:
- 进一步再由
,可以得到:
- 通过
- 于是我们可以通过以上方式迭代求得L
5 在计算机编程中 Cholesky分解的作用
在计算机程序中常常用到这种方法解线性代数方程组。它的优点是存储量很省。用矩阵A一半的存储空间,就可以表达A的全部信息
参考资料
数学之美:cholesky矩阵分解_BigCowPeking-CSDN博客_cholesky分解
Cholesky分解 - 知乎 (zhihu.com)




,可以得到:
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容,请联系我们,一经查实,本站将立刻删除。
如需转载请保留出处:https://51itzy.com/kjqy/112845.html