本文主要阐述用Eigen库计算矩阵特征值和特征向量，并与Matlab计算结果进行比较。
C Eigen库代码
#包含
#包含
#包含
using namespace Eigen；
用户命名空间STD；
void Eig () )
{
矩阵3d a；
a1、2、3、4、5、6、7、8、9；
cout ' here is a 3x 3矩阵，A:' endl A endl endl；
EigenSolveres(a；
matrix 3d=es.pseudoeigenvaluematrix (；
矩阵3d v=es.pseudo eigenvectors (；
cout ' the pseudo-eigenvaluematrixdis : ' endldendl；
cout ' the仿真- eigenvectormatrixvis : ' endlvendl；
cout 'Finally，v*d*v^(-1 )=' endl V * D * V.inverse ) ) endl；
}
int main () )
{
Eig (；
}
计算结果：
最大最小特征值及其索引位置
//maxCoeff
//minCoeff
int col_index，row_index；
coutd.maxcoeff(row_index，col_index ) endl；
cout row_index ' ' col_index endl；
匹配代码
清除全部
clc
A=[1 2 3； 4 ) 6； 7(9) )。
[V，d]=EIG(a ) ) ) )
Matlab的计算结果
sort ) )函数对特征值进行排序
主成分分析和很多应用时，需要排列特征值的大小。
a=幻方图(6；
[V，d]=EIG(a ) ) ) )
[D_S，index ]=sort (诊断(d )，' descend ' )
v_s=v(:索引) )。
结果
V=
0.4082-0.28870.40820.15070.4714-0.4769
0.40820.57740.40820.41100.4714-0.4937
0.4082-0.28870.4082-0.2602-0.23570.0864
0.40820.2887-0.40820.4279-0.47140.1435
0.4082-0.5774-0.4082-0.7465-0.4714.0338
0.40820.2887-0.40820.01710.23570.7068
D=
111.0000 0 0 0 0 0
0 27.0000 0 0 0 0
0 0 -27.0000 0 0 0
0 0 0 9.7980 0 0
0 0 0 0 -0.0000 0
0 0 0 0 0 -9.7980
D_S=
111.0000
27.0000
9.7980
-0.0000
-9.7980
-27.0000
V_S=
0.4082-0.28870.15070.4714-0.47690.4082
0.40820.57740.4110.4714-0.49370.4082
0.4082-0.2887-0.2602-0.23570.08640.4082
0.40820.28870.4279-0.47140.1435-0.4082
0.4082-0.5774-0.7465-0.47140.0338-0.4082
0.40820.28870.01710.23570.7068-0.4082
结语
我在实验中利用Eigen库求出最小特征值对应的特征向量进行PCA分析时使用。 我曾经在不知道有Eigen库的情况下自己写了矩阵相关运算的模板类，现在我来接触一下Eigen库，把自己遇到的困难总结一下。
希望以上是正文的全部内容，对大家的学习有帮助。 另外，我希望你支持很多编剧。