Matlab及应用 - 第3章 矩阵分析与处理.pptVIP

特殊矩阵 矩阵结构变换 矩阵求逆与线性方程组求解 矩阵求值 矩阵的特征值与特征向量 矩阵的超越函数 主要内容 把一个方阵看作一个行列式，并对其按行列式的规则求值，这个值就称为所对应的行列式的值。 在MATLAB中，求方阵A所对应的行列式的值的函数是det(A)。 例 A=rand(5) B=det(A) 方阵的行列式 矩阵的秩 矩阵线性无关的行数与列数称为矩阵的秩。 在MATLAB中，求矩阵秩的函数是rank(A)。 A=[1,2,3;1,4,9;1,8,27]; r= rank(A) 矩阵的迹 矩阵的迹等于矩阵的对角线元素之和，也等于矩阵的特征值之和 在MATLAB中，求矩阵的迹的函数是trace(A)。 A=[1,2,3;1,4,9;1,8,27]; trace(A) 矩阵的秩和迹 向量和矩阵的范数 矩阵或向量的范数用来度量矩阵或向量在某种意义下的长度。 范数有多种方法定义，其定义不同，范数值也就不同。 向量的范数 3种常用范数及其计算函数 设向量V=(v1,v2,...,vn) 1-范数：||V||1=│v1│+│v2│+…+│vn│ 2-范数： ||V||2=(│v1│^2+│v2│^2+…+│vn│^2)^1/2 ∞-范数：||V|| ∞=max(│v1│,│v2│,…,│vn│) 在MATLAB中，求向量范数的函数为：(1) norm(V)或norm(V,2)：计算向量V的2-范数。(2) norm(V,1)：计算向量V的1-范数。(3) norm(V,inf)：计算向量V的∞-范数。 向量和矩阵的范数 矩阵的范数及其计算函数 1-范数：║A║1 = max{ ∑|ai1|, ∑|ai2| ,…… ,∑|ain| } （列和范数，A每一列元素绝对值之和的最大值） 其中∑|ai1|第一列元素绝对值的和∑|ai1|=|a11|+|a21|+...+|an1|,其余类似； 2-范数：║A║2 = A的最大奇异值 = ( max{ λi(A^H*A) } ) ^{1/2} ( 谱范数,即AA特征值λi中最大者λ1的平方根，其中A^H为A的转置共轭矩阵）； ∞-范数：║A║∞ = max{ ∑|a1j|, ∑|a2j| ,..., ∑|amj| } （行和范数，A每一行元素绝对值之和的最大值） 其中为∑|a1j| 第一行元素绝对值的和，其余类似； MATLAB提供了求3种矩阵范数的函数，其函数调用格式与求向量的范数的函数完全相同。 A=[1,2,3;1,4,9;1,8,27]; a1=norm(A,1) a2=norm(A,2) ainf=norm(A, inf) 向量和矩阵的范数（续） 矩阵的条件数 用矩阵及其逆矩阵的范数的乘积表示矩阵的条件数 cond(A)= ||A||.||A-1|| 为什么要研究矩阵的条件数？ 矩阵条件数的大小是衡量矩阵“坏”或“好”的标志 一个简单的例子是，如果我们想求解线性方程组Ax=b，虽然当A可逆时，理论上可以解出x=A^(-1)*b,但在实际工程中，由于构成A、b中的数可能都不是精确的，而仅是一些近似数，当b中数据发生“小”的变化时会对解x造成多大的误差呢？如果误差很大，那么，这种方程按x=A^(-1)*b算出的结果x就不可信，因此称为病态方程。 利用矩阵论理论，当A的条件数越大，方程Ax=b的病态就越严重。这也就是我们研究条件数的原因。 矩阵的条件数 由于矩阵范数的定义不同，因而其条件数也不同，但是由于矩阵范数的等价性，故在不同范数下的条件数也是等价的。 在MATLAB中，计算矩阵A的3种条件数的函数是：(1) cond(A,1) 计算A的1—范数下的条件数。(2) cond(A)或cond(A,2) 计算A的2—范数数下的条件数。(3) cond(A,inf) 计算A的 ∞—范数下的条件数。 A=[1,2,3;1,4,9;1,8,27]; a1=cond (A) B=[2,-5,4;1,5,-2;-1,2,4]; a2=cond (B) 矩阵的条件数（续） 特殊矩阵 矩阵结构变换 矩阵求逆与线性方程组求解 矩阵求值 矩阵的特征值与特征向量 矩阵的超越函数 主要内容 在MATLAB中，计算矩阵A的特征值和特征向量的函数是eig(A)，常用的调用格式有3种： (1) E=eig(A)：求矩阵A的全部特征值，构成向量E。 (2) [V,D]=eig(A)：求矩阵A的全部特征值，构成对角阵D，并求A的特征向量构成V的列向量。 (3) [V,D]=eig(A,‘nobalance’)：与第2种格式类似，但第2种格式中先对A作相似变换后求矩阵A的特征值