有关eigen库的一些基本使用方法

举报
风吹稻花香 发表于 2021/06/05 01:26:54 2021/06/05
【摘要】 目录 介绍 安装 Demo 矩阵、向量初始化 C++数组和矩阵转换 矩阵基础操作 点积和叉积 转置、伴随、行列式、逆矩阵 计算特征值和特征向量 解线性方程 最小二乘求解 稀疏矩阵 介绍 Eigen是一个轻量级的矩阵库,除了稀疏矩阵不成熟(3.1有较大改进)以外,其他的矩阵和向量...

目录

介绍

Eigen是一个轻量级的矩阵库,除了稀疏矩阵不成熟(3.1有较大改进)以外,其他的矩阵和向量操作都比较完善,而且速度不错.

不支持vc6.0,vs最低版本支持2003(打补丁),最好是2005以上.

安装

eigen 3.1.3下载最新的版本,然后解压文件,将解压出来的文件夹下的\\Eigen\文件夹拷贝到程序文件夹下,包括头文件,即可使用

Demo

eigendemo.zip

示例是vs2010环境下的程序,主要的文件就只有main.cpp和Eigen文件夹。

矩阵、向量初始化

#include <iostream>
#include "Eigen/Dense"
using namespace Eigen;
int main()
{
	MatrixXf m1(3,4);   //动态矩阵,建立3行4列。
	MatrixXf m2(4,3);	//4行3列,依此类推。
	MatrixXf m3(3,3); Vector3f v1;		//若是静态数组,则不用指定行或者列
	/* 初始化 */
	Matrix3d m = Matrix3d::Random();
	m1 = MatrixXf::Zero(3,4);		//用0矩阵初始化,要指定行列数
	m2 = MatrixXf::Zero(4,3);
	m3 = MatrixXf::Identity(3,3);	//用单位矩阵初始化
	v1 = Vector3f::Zero();			//同理,若是静态的,不用指定行列数

	m1 << 1,0,0,1,		//也可以以这种方式初始化
		1,5,0,1,
		0,0,9,1;
	m2 << 1,0,0,
		0,4,0,
		0,0,7,
		1,1,1;
	//向量初始化,与矩阵类似
	Vector3d v3(1,2,3);
	VectorXf vx(30);
}

C++数组和矩阵转换

使用Map函数,可以实现Eigen的矩阵和c++中的数组直接转换,语法如下:

//@param MatrixType 矩阵类型
//@param MapOptions 可选参数,指的是指针是否对齐,Aligned, or Unaligned. The default is Unaligned.
//@param StrideType 可选参数,步长
/*
	Map<typename MatrixType,
		int MapOptions,
		typename StrideType>
*/
	int i;
	//数组转矩阵
	double *aMat = new double[20];
	for(i =0;i<20;i++)
	{
		aMat[i] = rand()%11;
	}
	//静态矩阵,编译时确定维数 Matrix<double,4,5> 
	Eigen:Map<Matrix<double,4,5> > staMat(aMat);
 
 
	//输出
	for (int i = 0; i < staMat.size(); i++)
		std::cout << *(staMat.data() + i) << " ";
	std::cout << std::endl << std::endl;
 
 
	//动态矩阵,运行时确定 MatrixXd
	Map<MatrixXd> dymMat(aMat,4,5);
 
 
	//输出,应该和上面一致
	for (int i = 0; i < dymMat.size(); i++)
		std::cout << *(dymMat.data() + i) << " ";
	std::cout << std::endl << std::endl;
 
	//Matrix为列优先,如下返回指针
	dymMat.data();

矩阵基础操作

eigen重载了基础的+ - * / += -= *= /= *可以表示标量和矩阵或者矩阵和矩阵

#include <iostream>
#include <Eigen/Dense>
using namespace Eigen;
int main()
{
	//单个取值,单个赋值
	double value00 = staMat(0,0);
	double value10 = staMat(1,0);
	staMat(0,0) = 100;
	std::cout << value00 <<value10<<std::endl;
	std::cout <<staMat<<std::endl<<std::endl;
	//加减乘除示例 Matrix2d 等同于 Matrix<double,2,2>
	Matrix2d a;
	 a << 1, 2,
	 3, 4;
	MatrixXd b(2,2);
	 b << 2, 3,
	 1, 4;
 
	Matrix2d c = a + b;
	std::cout<< c<<std::endl<<std::endl;
 
	c = a - b;
	std::cout<<c<<std::endl<<std::endl;
 
	c = a * 2;
	std::cout<<c<<std::endl<<std::endl;
 
	c = 2.5 * a;
	std::cout<<c<<std::endl<<std::endl;
 
	c = a / 2;
	std::cout<<c<<std::endl<<std::endl;
 
	c = a * b;
	std::cout<<c<<std::endl<<std::endl;

点积和叉积

#include <iostream>
#include <Eigen/Dense>
using namespace Eigen;
using namespace std;
int main()
{
	//点积、叉积(针对向量的)
	Vector3d v(1,2,3);
	Vector3d w(0,1,2);
	std::cout<<v.dot(w)<<std::endl<<std::endl;
	std::cout<<w.cross(v)<<std::endl<<std::endl;
}
*/

转置、伴随、行列式、逆矩阵

小矩阵(4 * 4及以下)eigen会自动优化,默认采用LU分解,效率不高

#include <iostream>
#include <Eigen/Dense>
using namespace std;
using namespace Eigen;
int main()
{
	Matrix2d c;
	 c << 1, 2,
	 3, 4;
	//转置、伴随
	std::cout<<c<<std::endl<<std::endl;
	std::cout<<"转置\n"<<c.transpose()<<std::endl<<std::endl;
	std::cout<<"伴随\n"<<c.adjoint()<<std::endl<<std::endl;
	//逆矩阵、行列式
	std::cout << "行列式: " << c.determinant() << std::endl;
	std::cout << "逆矩阵\n" << c.inverse() << std::endl;
}

计算特征值和特征向量

#include <iostream>
#include <Eigen/Dense>
using namespace std;
using namespace Eigen;
int main()
{
	//特征向量、特征值
	std::cout << "Here is the matrix A:\n" << a << std::endl;
	SelfAdjointEigenSolver<Matrix2d> eigensolver(a);
	if (eigensolver.info() != Success) abort();
	 std::cout << "特征值:\n" << eigensolver.eigenvalues() << std::endl;
	 std::cout << "Here's a matrix whose columns are eigenvectors of A \n"
	 << "corresponding to these eigenvalues:\n"
	 << eigensolver.eigenvectors() << std::endl;
}

解线性方程

#include <iostream>
#include <Eigen/Dense>
using namespace std;
using namespace Eigen;
int main()
{
	//线性方程求解 Ax =B;
	Matrix4d A;
	A << 2,-1,-1,1,
		1,1,-2,1,
		4,-6,2,-2,
		3,6,-9,7;
 
	Vector4d B(2,4,4,9);
 
	Vector4d x = A.colPivHouseholderQr().solve(B);
	Vector4d x2 = A.llt().solve(B);
	Vector4d x3 = A.ldlt().solve(B);	
 
 
	std::cout << "The solution is:\n" << x <<"\n\n"<<x2<<"\n\n"<<x3 <<std::endl;
}

除了colPivHouseholderQr、LLT、LDLT,还有以下的函数可以求解线性方程组,请注意精度和速度: 解小矩阵(4*4)基本没有速度差别

Decomposition Method 矩阵特殊要求 速度 精度
PartialPivLU partialPivLu() 可逆 ++ +
FullPivLU fullPivLu() None - +++
HouseholderQR householderQr() None ++ +
ColPivHouseholderQR colPivHouseholderQr() None + ++
FullPivHouseholderQR fullPivHouseholderQr() None - +++
LLT llt() 正定 +++ +
LDLT ldlt() 正或负半定 Positive or negative semidefinite +++ ++

最小二乘求解

最小二乘求解有两种方式,jacobiSvd或者colPivHouseholderQr,4*4以下的小矩阵速度没有区别,jacobiSvd可能更快,大矩阵最好用colPivHouseholderQr

#include <iostream>
#include <Eigen/Dense>
using namespace std;
using namespace Eigen;
int main()
{
	MatrixXf A1 = MatrixXf::Random(3, 2);
	std::cout << "Here is the matrix A:\n" << A1 << std::endl;
	VectorXf b1 = VectorXf::Random(3);
	std::cout << "Here is the right hand side b:\n" << b1 << std::endl;
	//jacobiSvd 方式:Slow (but fast for small matrices)
	std::cout << "The least-squares solution is:\n"
	<< A1.jacobiSvd(ComputeThinU | ComputeThinV).solve(b1) << std::endl;
	//colPivHouseholderQr方法:fast
	std::cout << "The least-squares solution is:\n"
	<< A1.colPivHouseholderQr().solve(b1) << std::endl;
}

稀疏矩阵

稀疏矩阵的头文件包括:

  #include <Eigen/SparseCore>
  #include <Eigen/SparseCholesky>
  #include <Eigen/IterativeLinearSolvers>
  #include <Eigen/Sparse>

初始化有两种方式: 1.使用三元组插入

typedef Eigen::Triplet<double> T;
std::vector<T> tripletList;
triplets.reserve(estimation_of_entries); //estimation_of_entries是预估的条目
for(...)
{
	tripletList.push_back(T(i,j,v_ij));//第 i,j个有值的位置的值
}
SparseMatrixType mat(rows,cols);
mat.setFromTriplets(tripletList.begin(), tripletList.end());
// mat is ready to go!

2.直接将已知的非0值插入

SparseMatrix<double> mat(rows,cols);
mat.reserve(VectorXi::Constant(cols,6));
for(...)
{
	// i,j 个非零值 v_ij != 0
	mat.insert(i,j) = v_ij;
}
mat.makeCompressed(); // optional

稀疏矩阵支持大部分一元和二元运算:

sm1.real() sm1.imag() -sm1 0.5*sm1
sm1+sm2 sm1-sm2 sm1.cwiseProduct(sm2)

二元运算中,稀疏矩阵和普通矩阵可以混合使用

//dm表示普通矩阵
dm2 = sm1 + dm1;

也支持计算转置矩阵和伴随矩阵

文章来源: blog.csdn.net,作者:网奇,版权归原作者所有,如需转载,请联系作者。

原文链接:blog.csdn.net/jacke121/article/details/59547725

【版权声明】本文为华为云社区用户转载文章,如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

举报
请填写举报理由
0/200