MATLAB—ch08(数值计算—矩阵的有关运算)20100923.pptVIP

数值计算;将从矩阵分析、线性代数的数值计算开始，然后介绍函数零点、极值的求取，数值微积分，数理统计和分析，拟合和插值，Fourier分析和一般常微分方程初值问题。最后讨论稀疏矩阵的处理。;第8讲 数值计算——矩阵的有关运算;§8.1 矩阵分解;一、对称正定矩阵的cholesky分解;（2）[R,p]=chol(X) 返回两个参数，不会给出出错信息。如果X是正定的，则P等于0，R同上；如果X是非正定的，则P等于正整数，R是一个阶数为q=p-l的上三角阵，使得R*R=X(1:q,1:q)。;cholesky分解。;二、lu分解;（1）[L,U]=lu(X) 将得到一个上三角矩阵并且存储在U中和一个准下三角矩阵并且存储在L中，使得X=LU。准下三角矩阵L实际上是下三角矩阵的转置矩阵；;（1）在MATLAB中，1u分解允许线性方程组Ax=b进行如下快速运算： x=U\(L\b);lu分解。;U= 3.0000 -1.0000 2.0000 0 2.3333 -1.6667 0 0 5.5714 P= 1 0 0 0 1 0 0 0 1;1、qr分解的含义;（1）[Q,R]=qr(X) 生成一个与X同阶的上三角矩阵R和一个正交矩阵Q，使得X=QR；;qr分解;[Q,R,E]=qr(X,0) Q= -0.5270 0.6463 0.5518 -0.7379 0.0259 -0.6745 -0.4216 -0.7626 0.4905 R= -9.4868 -1.4757 -1.3703 0.5270 0 3.4383 -1.4607 2.8437 0 0 -1.4102 0.7971 E= 4 1 2 3;1、奇异值分解的含义;（1）[U,S,V]=svd(X) 产生一个与矩阵X具有相同维数的矩阵S，其对角线元素为递减的非负值，同时得到酉矩阵U和V，使得X=U*S*V；;奇异值分解;[U,S,V]=svd(X,0) ％进行奇异值分解 U= 0.5873 -0.5075 -0.5954 0.5951 -0.0691 0.4057 -0.3132 -0.8424 0.4331 0.4503 0.i674 0.5417 S= 8.2230 0 0 0 3.2221 0 0 0 0;奇异值分解也是矩阵求秩运算的基础，对矩阵A进行奇异值分解S=svd(A)，得到向量s的非零元素的个数就是矩阵A的秩。如：;1、schur分解的含义;（1）T=schur(X) 仅仅返回schur形式矩阵T；;schur分解;[UU,TT]=rsf2csf(U,T) ％对U和T进行转换 UU= 0.8262 -0.2294 -0.5145 -0.5571 -0.4680 -0.6860 0.0835 -0.8534 0.5145 TT= -0.4495 0.8575 0.3760 0 4.4495 2.8501 0 0 4.0000;1、调用格式;hessenberg分解;§8.2 矩阵的特征值和特征向量;一、特征值和特征向量的概念;广义特征方程是：;二、矩阵的数值特征值和特征向量;（3）[V,D]=eig(A,‘nobalance’) 计算时不采用预先平衡。通常，预先平衡增加了特征值和特征向量的计算精度，但如果一个矩阵包含有与截断误差数量级相差不远的元素时，平衡过程有可能将它们放大，从而导致错误的特征值。 该指令可使精度增加；;计算矩阵A的特征值和特征向量。;【例8-13】example8_13.m（续2）;三、矩阵的符号特征值和特征向量;计算符号特征值和特征向量。;【例8-20】example8_20.m（续1）;§8.2 矩阵的对角化;由线性代数可知，对于任意可对角化的矩阵A，都存在一个可逆矩阵P，使得P-1AP为对角阵，并且对角阵的对角线元素为矩阵A的特征值。 MATLAB中，求出矩阵特征值和特征向量D和V后，即可满足上述