第六讲矩阵的代数运算和数据分析.pptVIP

第六讲 矩阵的代数运算和数据分析 * 第六讲 矩阵的代数运算 和数据分析 6.1 矩阵的代数运算 6.2 数据分析 6.1 矩阵的代数运算 e i g ( A ) 求包含矩阵A的特征值的向量。 [ X , D ] = e i g ( A ) 产生一个矩阵A的特征值在对角线上的对角矩阵D和矩阵X，它们的列是相应的特征向量，满足A X=X D。为了得到有更好条件特征值的矩阵要进行相似变换。 6.1矩阵的代数运算 d e t ( A ) 求方阵A的行列式。 r a n k ( A ) 求A的秩，即A中线性无关的行数和列数。 i n v ( A ) 求方阵A的逆矩阵。如果A是奇异矩阵或者近似奇异矩阵，则会给出一个错误信息。 6.1矩阵的代数运算 线性系统的求解和L U分解 M AT L A B用如下命令求解系统A x = b：则 x = A \ b。如果A是一个奇异矩阵，或者是近似奇异矩阵，则会给出一个错误信息。 L U分解方法就是令A = L U，其中U是一个上三角矩阵， L是一个带有单位对角线的下三角矩阵。然而为了保证计算的稳定性可以使用部分主元法。也就是说，L通常是一个改变序列的下三角矩阵。 6.1矩阵的代数运算 [ L , U ] = l u ( A ) 求上三角矩阵U和交换下三角矩阵L。L是一个带有单位对角线 的下三角矩阵和交换矩阵，即P的逆矩阵的乘积，见下个命令。 [ L , U , P ] = l u ( A ) 求上三角矩阵U、有单位对角线的下三角矩阵L和交换矩阵P，满足L U = PA。 6.1矩阵的代数运算 Q R分解。 假设A是n×n的矩阵，那么A就可以分解成：A = Q R ，其中Q是一个正交矩阵， R是一个大小和A相同的上三角矩阵，因此A x = b可以表示为 Q R x = b或者等同于：R x = Q b 。这个方程组的系数矩阵是上三角的，因此容易求解。和高斯消元法比较， Q R因式分解的主要优点在于有更高的稳定性，然而它的数学运算更麻烦一些。 6.1矩阵的代数运算 [ Q , R ] = q r ( A ) 求得m×m的矩阵Q和上三角矩阵R，Q的列形成了一个正交基，Q和R满足A = Q R。 [ Q , R , P ] = q r ( A ) 求得矩阵Q、上三角矩阵R和交换矩阵P。Q的列形成一个正交基，R的对角线元素按大小降序排列，它们满足A P=Q R。 [ Q , R ] = q r ( A , 0 ) 求矩阵A的Q R因式分解。如果在m×n的矩阵A中行数小于列数，则给出Q的前n列，因此Q的大小和A相同。也能得到交换矩阵。 6.1矩阵的代数运算 向量范数 n o r m ( x ) 求欧几里得范数。 n o r m ( x , i n f ) 求无穷范数，即| | x | | = m a x ( a b s ( x ) )。 n o r m ( x , 1 ) 求1 -范数。 n o r m ( x , p ) 求p -范数， 。 n o r m ( x ,－i n f ) 求向量x的元素的绝对值的最小值，即m i n ( a b s ( x ) )。注意，这不是向量的范数。 6.1矩阵的代数运算 矩阵范数 n o r m ( A ) 求欧几里得范数| | A | |2， n o r m ( A , 1 ) 求列范数| | A | |1，等于A的列向量的1 -范数的最大值。 n o r m ( A , 2 ) 求欧几里得范数| | A | |2，和n o r m ( A )一样。 n o r m ( A , i n f ) 求行范数| | A | | (inf)，等于A的行向量的1 -范数的最大值。 6.1矩阵的代数运算 c o n d ( A ) 求A的欧几里得范数的条件数。 c o n d ( A , p ) 求p-范数的条件数， p的值可以是1、2、或者inf 6.2 数据分析 1.最大值和最小值 m a x ( x ) 返回x中最大的元素值，如果x是复数，则返回m a x ( a b s ( x ) )值。 m a x ( A ) 返回一个行向量，它的第i个元素是A中第i列的最大的元素；如果A为复数时，则返回m a x ( a b s ( A ) )值。 6.2 数据分析 [ y , i n d ] = m a x ( A )返回一个行向量，它的第i个元素是A中第i列的最大的元素；并在行向量i n d中保存每列的最大数的行下标。 m a x ( A , B ) 返回一个和A、B相同维数的矩阵，每一元素都是在A和B中的相同位置上是最大的元素。 6.2 数据分析 max(A , k)将A中小于k的数换成k。 m