求解特征值时使用非单位矩阵的场景及scipy.linalg.eigh的b参数用途

scipy.linalg.eigh(a, b) 求解的是广义特征值问题，对应公式为 $a v = \lambda b v$，而默认无b参数时求解的是普通特征值问题 $a v = \lambda v$，本质是默认b为单位矩阵。

1. 需要传入b矩阵的核心场景 #

广义特征值分解的核心是解决带约束的优化问题，常见使用场景包括：

• 瑞利商优化场景：需要最大化比值 $\frac{x^T a x}{x^T b x}$ 时，最优解就是广义特征值最大的特征向量。你用到的xDAWN空间滤波算法就属于这类场景：a是目标类别原型的协方差矩阵，b是全局基线信号的协方差矩阵，求解目标是找到空间投影，最大化目标信号和基线信号的能量比，从而最大化类别区分度。
• 非欧氏空间的特征分解场景：b作为度量矩阵，定义了特征分解所在空间的内积规则，适用于需要和基线空间做对齐的任务。
• 各类判别类信号处理算法：包括Fisher线性判别、共空间模式（CSP）、独立成分分析的部分实现，都会用到广义特征值分解。

2. 去掉b参数的实际影响 #

你直接去掉b参数改用普通特征值分解，本质是把优化目标从「最大化目标信号和基线信号的能量比」改成了「直接最大化目标信号自身的能量」，两者的差异如下：

• 如果你的基线信号通道间相关性很低、噪声能量分布均匀，那么b矩阵本身就接近单位矩阵，两种方式的结果差异很小，这也是你修改后效果尚可的核心原因。
• 如果基线存在明显的通道噪声、或者通道间相关性强，去掉b之后的空间滤波器不会做基线噪声抑制，模型的鲁棒性会下降，更换测试集后效果可能出现明显波动。

3. 更合理的修复方案（替代直接去掉b参数） #

b矩阵非正定通常是因为样本量不足、存在冗余通道、或者经验协方差估计本身的数值稳定性问题，不需要直接去掉b，可以通过以下方式修复：

• 手动加正则偏移：给b矩阵加极小的单位矩阵扰动，b = b + np.eye(b.shape[0]) * 1e-6，既可以保证矩阵正定，也几乎不会改变原矩阵的数值分布。
• 使用协方差收缩估计：将sklearn.covariance.empirical_covariance替换为带正则的ShrunkCovariance，自动输出正定的协方差矩阵。
• 预处理降维：先去掉原始数据中方差为0的冗余通道，或者用PCA做初步降维后再计算协方差，避免矩阵奇异。

优化后的代码参考：

# X为样本（EEG脑电数据），y为标签
# X的维度为(1000, 64, 2459)
# y的维度为(1000,)

import numpy as np
from scipy.linalg import eigh
from sklearn.covariance import ShrunkCovariance

Ne, Ns, Nt = X.shape
tmp = X.transpose((1, 2, 0))
# 用带正则的收缩协方差估计，保证输出矩阵正定
cov_estimator = ShrunkCovariance()
b = np.matrix(cov_estimator.fit(tmp.reshape(Ne, Ns * Nt).T).covariance_)
# 也可以选择手动加正则：b = b + np.eye(b.shape[0]) * 1e-6

for c in self.classes_:
    # 计算每个类别的原型响应
    P = np.mean(X[y == c, :, :], axis=0)
    # 计算原型响应的协方差矩阵
    a = np.matrix(cov_estimator.fit(P.T).covariance_)
    # 此时b为正定矩阵，可正常调用eigh
    evals, evecs = eigh(a, b)

内容的提问来源于stack exchange，提问作者Smamorti7