python随机子空间法.py

import  pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import matplotlib as mpl
from scipy import linalg


class ran_subsid（）:
    def __init__（selftdata）:
        self.tdata=tdata
    def subsid（self）:
        print（self.tdata.shape）
        （TimePointNum MesNodeTotalNum） = self.tdata.shape
        MesNodeTotalNum = MesNodeTotalNum - 1
        TimePointNum = TimePointNum
        N = 2 * n
        M = 100  # 将字符串转化为数值
        j = TimePointNum - 2 * M  # Hankel矩阵最后一个矩阵块对应坐标为（2 * i，j） 即2 * i + j需 <= TimePointNum
        Hankel = np.zeros（（（2 * M + 1） * MesNodeTotalNum j））
        for col in range（0 j）:
            m = 0
            for row in range（0 （2 * M + 1））:
                km = col + row
                m = m + 1
                Hankel[row col] = self.tdata[km 1]
        print（Hankel.shape）
        Yp = Hankel[0:M * MesNodeTotalNum :]
        Yf = Hankel[M * MesNodeTotalNum:2 * M * MesNodeTotalNum :]
        Yf2 = Hankel[（M + 1） * MesNodeTotalNum:（2 * M + 1） * MesNodeTotalNum :]
        # print（Yp.shape Yf.shape Yf2.shape）
        Teop1 = np.dot（Yf np.transpose（Yp）） / j
        # 组成第二个Toeplitz矩阵
        Teop2 = np.dot（Yf2 np.transpose（Yp）） / j
        # print（‘Teop1:‘ Teop1.shape）
        # # 组成第一个Toeplitz矩阵
        [U S V] = np.linalg.svd（Teop1）
        S1 = np.diag（S）
        # print（‘S1:‘S1.shape）
        plt.plot（S ‘k*‘）  # S1Y用黑色的星号表示
        plt.ylabel（‘Singular value‘）
        plt.xlabel（‘Order of system‘）
        plt.title（‘Singular value decomposition results ‘）
        plt.show（）
        # #