我有一个 ~3000x3000 的类似协方差的矩阵,在上面进行特征值-特征向量分解(它是一个 OpenCV 矩阵,我使用 cv::eigen()
来完成这项工作)。
然而,实际上我只需要前30个特征值/特征向量,我不关心其他的。理论上,这应该可以显著加快计算速度,对吗?也就是说,有2970个无需计算的特征向量。
哪个 C++ 库可以让我做到这一点?请注意,OpenCV的 eigen()
方法确实有针对此功能的参数,但文档中说它们被忽略了,我亲自测试了,它们确实被忽略了:D
更新: 我用 ARPACK 完成了这个任务。我设法将其编译为 Windows 版本,甚至使用了它。结果看起来很有希望,可以在这个玩具示例中看到:
#include "ardsmat.h"
#include "ardssym.h"
int n = 3; // Dimension of the problem.
double* EigVal = NULL; // Eigenvalues.
double* EigVec = NULL; // Eigenvectors stored sequentially.
int lowerHalfElementCount = (n*n+n) / 2;
//whole matrix:
/*
2 3 8
3 9 -7
8 -7 19
*/
double* lower = new double[lowerHalfElementCount]; //lower half of the matrix
//to be filled with COLUMN major (i.e. one column after the other, always starting from the diagonal element)
lower[0] = 2; lower[1] = 3; lower[2] = 8; lower[3] = 9; lower[4] = -7; lower[5] = 19;
//params: dimensions (i.e. width/height), array with values of the lower or upper half (sequentially, row major), 'L' or 'U' for upper or lower
ARdsSymMatrix<double> mat(n, lower, 'L');
// Defining the eigenvalue problem.
int noOfEigVecValues = 2;
//int maxIterations = 50000000;
//ARluSymStdEig<double> dprob(noOfEigVecValues, mat, "LM", 0, 0.5, maxIterations);
ARluSymStdEig<double> dprob(noOfEigVecValues, mat);
// Finding eigenvalues and eigenvectors.
int converged = dprob.EigenValVectors(EigVec, EigVal);
for (int eigValIdx = 0; eigValIdx < noOfEigVecValues; eigValIdx++) {
std::cout << "Eigenvalue: " << EigVal[eigValIdx] << "\nEigenvector: ";
for (int i = 0; i < n; i++) {
int idx = n*eigValIdx+i;
std::cout << EigVec[idx] << " ";
}
std::cout << std::endl;
}
结果如下:
9.4298, 24.24059
对于特征值,以及
-0.523207, -0.83446237, -0.17299346
0.273269, -0.356554, 0.893416
每行分别表示2个特征向量(每行一个特征向量)。 在这种情况下,代码无法找到3个特征向量(它只能找到1-2个,在这种情况下使用assert()确保了这一点,但是好吧,这不是问题)。