Je suis portage d'un algorithme qui fonctionne dans Matlab à numpy et observé un comportement étrange. Le segment concerné du code estMatlab/Octave/Numpy différence numérique
P = eye(4)*1e20;
A = [1 -0.015 -0.025 -0.035; 0.015 1 0.035 -0.025; 0.025 -0.035 1 0.015; 0.035 0.025 -0.015 1];
V1 = A*(P*A')
V2 = (A*P)*A'
Ce code, quand je lance avec Matlab, fournit les matrices suivantes:
V1 = 1.0021e+20 0 -8.0000e+00 0
0 1.0021e+20 0 0
-8.0000e+00 0 1.0021e+20 0
0 0 0 1.0021e+20
V2 = 1.0021e+20 0 -8.0000e+00 0
0 1.0021e+20 0 0
-8.0000e+00 0 1.0021e+20 0
0 0 0 1.0021e+20
Notez que V1 et V2 sont les mêmes, comme prévu.
Lorsque le même code fonctionne dans Octave, il fournit:
V1 = 1.0021e+20 4.6172e+01 -1.3800e+02 1.8250e+02
-4.6172e+01 1.0021e+20 -1.8258e+02 -1.3800e+02
1.3801e+02 1.8239e+02 1.0021e+20 -4.6125e+01
-1.8250e+02 1.3800e+02 4.6125e+01 1.0021e+20
V2 = 1.0021e+20 -4.6172e+01 1.3801e+02 -1.8250e+02
4.6172e+01 1.0021e+20 1.8239e+02 1.3800e+02
-1.3800e+02 -1.8258e+02 1.0021e+20 4.6125e+01
1.8250e+02 -1.3800e+02 -4.6125e+01 1.0021e+20
En numpy, le segment devient
from numpy import array, dot, eye
A = numpy.array([[1, -0.015, -0.025, -0.035],[0.015, 1, 0.035, -0.025],[0.025, -0.035, 1, 0.015],[0.035, 0.025, -0.015, 1]])
P = numpy.eye(4)*1e20
print numpy.dot(A,numpy.dot(P,A.transpose()))
print numpy.dot(numpy.dot(A,P),A.transpose())
qui sort
[[ 1.00207500e+20 4.61718750e+01 -1.37996094e+02 1.82500000e+02]
[ -4.61718750e+01 1.00207500e+20 -1.82582031e+02 -1.38000000e+02]
[ 1.38011719e+02 1.82386719e+02 1.00207500e+20 -4.61250000e+01]
[ -1.82500000e+02 1.38000000e+02 4.61250000e+01 1.00207500e+20]]
[[ 1.00207500e+20 -4.61718750e+01 1.38011719e+02 -1.82500000e+02]
[ 4.61718750e+01 1.00207500e+20 1.82386719e+02 1.38000000e+02]
[ -1.37996094e+02 -1.82582031e+02 1.00207500e+20 4.61250000e+01]
[ 1.82500000e+02 -1.38000000e+02 -4.61250000e+01 1.00207500e+20]]
Ainsi, les deux Octave et numpy fournit la même réponse, mais c'est très différent de celui de Matlab. Le premier point est que V1! = V2, ce qui ne semble pas correct. L'autre point est que, bien que les éléments non-diagonaux soient beaucoup plus petits que les diagonaux, cela semble causer un problème dans mon algorithme.
Est-ce que quelqu'un sait très peu et Octave se comporte de cette façon?
Ce n'est pas tout à fait exact. Il existe un type de données float128, mais sa précision n'est peut-être pas toujours bien définie. – seberg
@Sebastian, je n'ai trouvé aucune référence à un complexe de type float128 seulement128 (parce que ce sont deux float64 considérés comme un nombre avec la partie réelle et imaginaire). http://docs.scipy.org/doc/numpy/user/basics.types.html – Lucero
Oui ... c'est parce que float128 n'est disponible qu'en fonction de l'ordinateur sur lequel il s'exécute. Mais sur le PC habituel c'est. – seberg