我正在寻找Mathnet.Iridium和Mathnet.Numerics之间的非回归。这是我的代码,使用Mathnet.Numerics:
double[][] symJaggedArray = new double[5][];
symJaggedArray[0] = new double[] { 3, 0, 0, 0, 0 };
symJaggedArray[1] = new double[] { 0, 2, 4, 0, 0 };
symJaggedArray[2] = new double[] { 0, 4, 5, -4, 5 };
symJaggedArray[3] = new double[] { 0, 0, -4, -8, 12 };
symJaggedArray[4] = new double[] { 0, 0, 5, 12, -5 };
symDenseMatrix = DenseMatrix.OfArray(new Matrix(symJaggedArray).CopyToArray());// not optimal but it's not the point
Svd svd = new UserSvd(symDenseMatrix , true);
Matrix<double> recompo = svd.U().Multiply(svd.W()).Multiply(svd.VT());
当我比较recompo和初始矩阵时,它们是不同的。
在将每个分解矩阵与以前的实现进行比较时,我发现了这种差异:
U和singularValueDecomposition.LeftSingularVectors相等
W和singularValueDecomposition.S相等
VT和Matrix.Transpose(singulaValueDecomposition.RightSingularVectors)不同
最后,使用旧版API进行重组是正确的。
使用的MathNet.Numerics版本:Math.NET Numerics v2.5.0
所以我的问题是:用新的API重建初始矩阵时,我的错误在哪里?
RecompoMatrix =
3 0 0 0 0
0 -1.216846655456 2.83903817786199 1.4472680220698 2.89215520227421
0 -2.46695399700557 8.657344064164 0.92863757484644 -0.31963101527516
0 0.349540484418384 8.20515629935223 -2.26741625715781 -12.3049605878983
0 -0.402667067831389 -6.32914150795323 9.13315298351198 8.3884053064068
最佳答案
我很快尝试重现此内容,但失败了。我使用过Math.NET Numerics v2.6(NuGet软件包),但是此版本中SVD分解没有变化。这是我的代码:
var m = DenseMatrix.OfArray(new double[,] {
{ 3, 0, 0, 0, 0 },
{ 0, 2, 4, 0, 0 },
{ 0, 4, 5, -4, 5 },
{ 0, 0, -4, -8, 12},
{ 0, 0, 5, 12, -5 }});
var svd = m.Svd(true);
//var svd = new UserSvd(m, true);
svd.U() * svd.W() * svd.VT()
最后一行的计算结果为:
DenseMatrix 5x5-Double
3 0 0 0 0
0 2 4 -1.23512E-15 -3.747E-16
0 4 5 -4 5
0 3.26128E-16 -4 -8 12
0 -1.15186E-15 5 12 -5
在这种情况下,VT为:
DenseMatrix 5x5-Double
0 -0.0449147 0.249507 0.718099 -0.648123
0 0.466822 0.823535 0.0324572 0.320646
0 0.208479 0.176729 -0.670706 -0.689534
-1 0 0 0 0
0 0.858252 -0.477811 0.182848 -0.0408292
我不知道为什么会得到完全不同的结果?
您可以使用我上面发布的相同代码重试吗?