Воспроизвести SVD Matlab в Python - PullRequest
Новая
       38

Воспроизвести SVD Matlab в Python

0 голосов
/ 31 августа 2018

Я пытаюсь воспроизвести какой-то большой проект, написанный на Matlab, с использованием Python. Мне удалось воспроизвести большинство результатов, но у меня есть проблема именно с разложением SVD. (Я смотрю только на последнюю, V, часть.)

В Matlab: 

[~, ~, V] = svd([4.719, -17.257, -11.5392; -17.2575, 63.9545, 40.5581; -11.5392, 40.5581, 31.3256]);

Это дает мне следующее V: 

-0.2216    0.0241   -0.9748
0.8081   -0.5549   -0.1974
0.5457    0.8316   -0.1035

в numpy: 

 np.linalg.svd(np.array([[4.71993, -17.2575, -11.539], [-17.257, 63.954, 40.558], [-11.539, 40.558, 31.325]]))[2]

Получает меня: 

array([[-0.22159139,  0.80814521,  0.54570924],
       [ 0.02407525, -0.55491709,  0.83155722],
       [ 0.97484237,  0.19740401,  0.10350855]])

Который транспонирован (как я думаю, ожидается между numpy и matlab), но также отличается по некоторым знакам минус.

даже используя opencv (cv2) или scipy (даже с lapack_driver = "gesvd") все равно получает тот же результат 

scipy.linalg.svd(np.array([[4.71993, -17.2575, -11.539], [-17.257, 63.954, 40.558], [-11.539, 40.558, 31.325]]), lapack_driver="gesvd")[2]

Я также попытался транспонировать входную матрицу, которая не сильно изменилась.

Я понимаю, что оба ответа верны. Но мне действительно нужно получить точно такой же результат, чтобы иметь возможность воспроизвести проект.

1 Ответ

0 голосов
/ 31 августа 2018

Вы не представляете матрицу одинаково в обеих средах (разная числовая точность). Если вы используете ту же матрицу, она должна быть эквивалентной (транспонировать). 

>> a=[[4.71993, -17.2575, -11.539]; [-17.257, ...
a =

    4.7199  -17.2575  -11.5390
  -17.2570   63.9540   40.5580
  -11.5390   40.5580   31.3250

>> [~,~,v]=svd(a);
>> v'
ans =

  -0.221591   0.808145   0.545709
   0.024075  -0.554917   0.831557
   0.974842   0.197404   0.103509

с Python 

import numpy as np

np.set_printoptions(precision=6)
a=[[4.71993, -17.2575, -11.539], [-17.257, ...
np.linalg.svd(np.array(a))[2]

array([[-0.221591,  0.808145,  0.545709],
       [ 0.024075, -0.554917,  0.831557],
       [ 0.974842,  0.197404,  0.103509]])
...