我读了 paper Hermitian 矩阵的 IFFT 是所有实数的矩阵。但是我无法使用 numpy 在 Python 中重现它。
# Hermitian matrix: https://en.wikipedia.org/wiki/Hermitian_matrix
m = [[2 , 2 + 1j, 4 ],
[2 - 1j, 3 , 0 + 1j],
[4 , 0 - 1j, 1 ]]
m = numpy.matrix(m)
im = numpy.fft.ifft2(m)
print im
这给出了以下不仅仅是实数的:
[[ 2.00000000+0.j 0.42955838-0.16666667j 0.23710829-0.16666667j]
[ 0.23710829+0.16666667j -0.66666667-0.57735027j 0.38490018+0.j ]
[ 0.42955838+0.16666667j -0.38490018+0.j -0.66666667+0.57735027j]]
我对 Hermitian 矩阵的理解有问题吗?还是我用错了 numpy?
请您参考如下方法:
我认为这篇论文提到的内容略有不同。厄米特矩阵等于其复共轭转置。但是,实际输入的 fft 是“Hermite 对称的”。它等于它的复共轭,但不等于它的复共轭转置。
附带说明一下,我可能对这些术语有点困惑,因为我唯一一次听说过“hermite 对称”矩阵是在实值 fft 的上下文中。尽管如此,我 90% 确定这就是这篇论文所指的内容。
您确实有一个 Hermitian 矩阵作为输入:
In [4]: np.allclose(m, np.conj(m).T)
Out[4]: True
但它不是“hermite 对称的”:
In [5]: np.allclose(m, np.conj(m))
Out[5]: False
但是,让我们看看当我们对真实值进行 fft 时会发生什么:
In [6]: data = np.arange(9).reshape(3, 3)
In [7]: result = np.fft.fft2(data)
请注意,生成的 fft(几乎)与其复共轭相同(我不理解的一个术语的符号有所不同。如果有人知道,我将不胜感激!):
In [8]: result
Out[8]:
array([[ 36.0+0.j , -4.5+2.6j, -4.5-2.6j],
[-13.5+7.8j, 0.0+0.j , 0.0+0.j ],
[-13.5-7.8j, 0.0+0.j , 0.0+0.j ]])
In [9]: np.conj(result)
Out[9]:
array([[ 36.0-0.j , -4.5-2.6j, -4.5+2.6j],
[-13.5-7.8j, 0.0-0.j , 0.0-0.j ],
[-13.5+7.8j, 0.0-0.j , 0.0-0.j ]])
但它不是 Hermitian,因为它不等于它的复共轭转置:
In [10]: np.conj(result).T
Out[10]:
array([[ 36.0-0.j , -13.5-7.8j, -13.5+7.8j],
[ -4.5-2.6j, 0.0-0.j , 0.0-0.j ],
[ -4.5+2.6j, 0.0-0.j , 0.0-0.j ]])
无论如何,这可能不是完整的答案,但希望它能让您朝着正确的方向迈出一步。
在实践中,如果您正在处理真实输入,并且只想获得真实输出,请使用 np.fft.rfft和 np.fft.irff (和 irfft2 版本,在这个 2D 案例中)。同样,当您计算 Hermitian 矩阵的特征值/向量并且只需要实数输出时,请查看 eigh 和 eigvalsh。
