连续版线性代数Chebfun中函数级QR分解、SVD与特征值计算揭秘【免费下载链接】chebfunChebfun: numerical computing with functions.项目地址: https://gitcode.com/gh_mirrors/ch/chebfun你是否想过矩阵的 QR 分解、SVD、特征值这些线性代数操作能不能直接用在函数上Chebfun 正是这样一款打破边界的开源数值计算工具——它把连续函数当作无限维向量来处理让你像操作矩阵一样对函数做分解、求谱。本文将带你深入 Chebfun 的函数级线性代数内核揭秘 QR 分解、奇异值分解SVD与特征值计算在连续空间中的实现原理。什么是 Chebfun把函数变成超级向量 Chebfun 是一款基于 MATLAB 的开源软件系统核心思想是以函数进行数值计算numerical computing with functions。它的数学基础是分段多项式插值配合所谓的Chebyshev 技术Chebyshev technology——通过切比雪夫点上的插值把任意光滑函数近似成高精度多项式。在 Chebfun 的世界里一个函数 f(x) 就是一个对象内部存储的是它的切比雪夫系数而不是离散采样点一次加法、乘法、积分、求导都精确到接近机器精度更妙的是它实现了连续版本的线性代数QR 分解、SVD、特征值通通可以在函数空间里进行。项目主页的 README.md 明确写道Chebfun 包含 QR 和奇异值分解等线性代数概念的连续模拟continuous analogues。这正是本文的主角。从矩阵到函数连续线性代数的核心思想 先回忆一下经典线性代数一个 n×n 矩阵 A 可以分解为 A Q·R其中 Q 的列是正交向量R 是上三角矩阵SVD 则给出 A U·S·Vᵀ其中 U、V 是正交矩阵S 是对角矩阵。Chebfun 的连续化思路是把函数数组array-valued function看作无穷维向量。例如一个列函数A 有 n 列每一列都是一个定义在区间上的函数那么QR 分解得到 Q一个函数列其列在连续 L² 内积意义下正交和上三角矩阵 RSVD 得到 U正交函数列、对角矩阵 S 和正交矩阵 V特征值问题则变成微分算子的特征值/特征函数求解。这就是连续版线性代数的魅力矩阵的元素是数函数版的元素是函数。函数级 QR 分解让正交化发生在函数空间 QR 分解的实现位于 chebfun/qr.m。对于 n 列的数组值 Chebfun它会返回一个函数列 Qn 个正交函数和 n×n 的上三角矩阵 R使得 A Q·R。它的实现分层递进非常巧妙单列退化为缩放如果 A 只有一列QR 退化为简单的归一化R 等于函数的 L² 内积平方根Q 就是 A 除以 R。代码里甚至处理了 R 0 的退化情况此时 Q 被设为常函数。单区间调用底层技术的 QR当函数只在一个区间上且是数组值时QR 会在 FUN 层完成最终落到 chebtech/qr.m——Chebyshev 技术的核心层。这里有两条路径built-in 方法默认构造加权 Legendre-Vandermonde 矩阵再用 MATLAB 自带的 QR 算法做正交化效率高Householder 方法采用 Trefethen 2010 年论文中提出的拟矩阵的 Householder 三角化算法更稳定但稍慢。有意思的是这里的正交性是在连续 L² 范数意义下定义的对 [-1,1] 区间上的函数积分这正是函数级QR 与矩阵 QR 的本质区别。多区间Panel-Factored QR 分而治之当函数有多个分段breaks时直接做连续 QR 很困难。Chebfun 采用面板分解panel-factored QR策略对每一段分别做 QR得到 Qᵢ 和 Rᵢ把所有 Rᵢ 拼接成一个块矩阵对它再做一次离散 QR得到组合因子把因子乘回各段的 Qᵢ重组出全局的 Q。这种分而治之的思路让多断点函数也能高效完成连续正交分解。相关实现细节都可以在 chebfun/qr.m 的开发者注释中看到。SVD函数的奇异值分解 如果说 QR 是连续线性代数的基础那么 SVD 就是它的明星应用。实现位于 chebfun/svd.m其算法源自 Battles 2005 年的牛津大学博士论文《Numerical Linear Algebra for Continuous Functions》。算法流程QR 离散 SVD整个计算思路非常优雅只有两步先对 A 做函数级 QR 分解A Q·R由于 R 是普通矩阵直接调用 MATLAB 的离散 SVDR Ũ·S·Vᵀ最后令 U Q·Ũ得到 A (Q·Ũ)·S·Vᵀ U·S·Vᵀ。也就是说连续问题被巧妙地转化为一次连续 QR 一次离散 SVD而困难的部分正交化由 QR 承担。如果只要求奇异值nargout 2代码直接返回 diag(S)避免无谓的计算。二维与三维扩展Chebfun2 的低秩逼近Chebfun 家族不止一维。chebfun2/svd.m 将 SVD 扩展到二维函数矩形区域上的 f(x,y)它基于 separableApprox/ 的可分离逼近框架返回正交函数列 U、奇异值 S 和正交函数列 V且奇异值个数等于函数的 rank——这本质上是二维函数的低秩逼近。配合 chebfun3/ 的三维扩展Chebfun 在整个函数空间上构建了一整套连续线性代数工具箱。特征值与特征函数求解微分算子的谱 线性代数中特征值问题对应到连续世界就是微分算子谱问题。Chebfun 通过 chebop/eigs.m 实现配合 chebop微分算子对象使用。不是迭代法而是逐步加密的稠密方法与 MATLAB 内置 eigs 的迭代思路不同Chebfun 的 eigs 并不使用稀疏迭代法而是对不断增大的稠密矩阵调用内置 EIG直到目标特征函数收敛由 Chebfun 构造函数判定。它默认返回最光滑振荡最少的几个特征值这通常正是物理问题中最关心的低阶模态。经典示例一维薛定谔式问题N chebop((u) diff(u, 2), [0 pi], dirichlet); [V, D] eigs(N, 10); format long, sqrt(-diag(D)) % 结果为整数精确到 14 位 plot(V) % 缩放后的正弦波求解 -u λu 在 Dirichlet 边界条件下的特征问题得到的前 10 个特征值开根号后就是 1, 2, 3, ...精度可达 14 位有效数字——这就是函数级特征值计算的威力。它还支持广义特征值问题 A·V B·V·D以及指定 sigma 寻找靠近某值的特征值如 LR、SM 等选项。安装与快速上手 Chebfun 兼容 MATLAB 7.8R2009a及以上版本。获取方式很简单git clone https://gitcode.com/gh_mirrors/ch/chebfun克隆后只需把chebfun目录加入 MATLAB 路径addpath(chebfunroot), savepath安装完成后你就可以开始体验连续版线性代数了x chebfun(x, [0 1]); A [x, x.^2, exp(x)]; % 数组值 Chebfun [Q, R] qr(A); % 函数级 QR [U, S, V] svd(A); % 函数级 SVD总结为什么函数级线性代数如此强大✨Chebfun 用切比雪夫插值 连续内积 分层算法把矩阵世界里的 QR、SVD、特征值完整搬到了函数世界函数级 QR通过 panel-factored 策略与 Chebyshev 技术实现连续正交化源码函数级 SVD巧妙复用连续 QR 离散 SVD的组合源码特征值计算以稠密矩阵逐步加密的方式求解微分算子谱源码。无论你是研究微分方程、信号处理还是数值线性代数Chebfun 的连续线性代数都能让你以更直观、更接近数学本质的方式工作——因为在这里函数就是向量算子就是矩阵。【免费下载链接】chebfunChebfun: numerical computing with functions.项目地址: https://gitcode.com/gh_mirrors/ch/chebfun创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考