C++ C++；本征避免或检测广播功能中的零除

给定一个实对称矩阵a，我计算矩阵的特征向量

其中，D是对角矩阵，其中条目D（i，i）是a的行i的和。然后按照以下方式进行分析：

Eigen::VectorXf D = A.rowwise().sum().array().rsqrt();
Eigen::MatrixXf L = D.asDiagonal()*A*D.asDiagonal();
Eigen::SelfAdjointEigenSolver<Eigen::MatrixXf> eigenSolver(N);
eigenSolver.compute(L);
_lambda.noalias() = eigenSolver.eigenvalues().reverse();
_X.noalias() = eigenSolver.eigenvectors().rowwise().reverse();

Eigen:：VectorXf D=A.rowwise（）.sum（）.array（）.rsqrt（）；
本征：：矩阵L=D.asDiagonal（）*A*D.asDiagonal（）；
特征：自伴特征解算器特征解算器（N）；
特征解算器计算（L）；
_lambda.noalias（）=特征解算器.特征值（）.反向（）；
_X.noalias（）=特征解算器。特征向量（）.rowwise（）.reverse（）；

在某些情况下，我会得到所有特征值的

NaN

，这是由于A的某些行为零，并且广播的

rsqrt（）

函数返回

NaN

（除零）。在这种情况下，这些条目应该是零（或者任何数字）

有没有办法避免或将这些除法改为零，并且仍然广播

rsqrt

？

---

如果

NaN*0

为零，则这不会是一个问题。

在每个对角线元素中添加一小点可以解决此问题：

constexpr float eps = std::numeric_limits<float>::epsilon();
Eigen::VectorXf D = (Apermuted.rowwise().sum().array() + eps).rsqrt();

constexpr float eps=std:：numeric_limits:：epsilon（）；
特征：：向量xf D=（Apermuted.rowwise（）.sum（）.array（）+eps.rsqrt（）；

N.B.，

rsqrt（0）=inf

，但是

inf*0==NaN

OK——这就是为什么我得到了NaN的--thx

epsilon

与矩阵中的条目相比可能相当大。您可以改为尝试

std:：numeric\u limits:：min（）

——但这在您的情况下可能并不重要。是的——因为sqrt（min）不能下溢，这应该更好——thx。