实验4(行列式矩阵与线性变换).pptVIP

LU分解 QR分解 Cholesky分解 Schur分解 稀疏矩阵(sparse matrix)是其元素大部分为零的矩阵。在科学与工程领域中求解线性模型时经常出现大型的稀疏矩阵。在使用计算机存储和操作稀疏矩阵时，经常需要修改标准算法以利用矩阵的稀疏结构。由于其自身的稀疏特性，通过压缩可以大大节省稀疏矩阵的内存代价。更为重要的是，由于过大的尺寸，标准的算法经常无法操作这些稀疏矩阵。 稀疏矩阵的计算速度更快,因为MATLAB只对非零元素进行操作,这是稀疏矩阵的一个突出的优点. 对于矩阵Amn的每个元素aij,知道其行号i和列号j就可以确定其位置.因此对于稀疏矩阵可以用一个结点来存储一个非0元素.该结点可以定义如下:[i,j,aij]? 该结点由3个域组成,i:行号,j:列号;aij元素值. S = sparse(A) %将矩阵A转化为稀疏矩阵形式，即由A的非零元素和下标构成稀疏矩阵S。若A本身为稀疏矩阵，则返回A本身。 S = sparse(m,n) %生成一个m×n的所有元素都是0的稀疏矩阵 S = sparse(i,j,s) %生成一个由长度相同的向量i，j和s定义的稀疏矩阵S，其中i，j是整数向量，定义稀疏矩阵的元素位置(i,j)，s是一个标量或与i，j长度相同的向量，表示在(i,j)位置上的元素。 S = sparse(i,j,s,m,n) %生成一个m×n的稀疏矩阵，(i,j)对应位置元素为si，m = max(i)且n =max(j)。 S = sparse(i,j,s,m,n,nzmax) %生成一个m×n的含有nzmax个非零元素的稀疏矩阵S，nzmax的值必须大于或者等于向量i和j的长度。 函数 full 格式 A=full(S) %S为稀疏矩阵，A为满矩阵。 我们将线性方程的求解分为两类：一类是方程组求唯一解或求特解，另一类是方程组求无穷解即通解。可以通过系数矩阵的秩来判断： 若系数矩阵的秩r=n（n为方程组中未知变量的个数），则有唯一解； 若系数矩阵的秩rn，则可能有无穷解； 线性方程组的无穷解 = 对应齐次方程组的通解+非齐次方程组的一个特解；其特解的求法属于解的第一类问题，通解部分属第二类问题。 这类问题的求法分为两类：一类主要用于解低阶稠密矩阵 —— 直接法；另一类是解大型稀疏矩阵 —— 迭代法。 1．利用矩阵除法求线性方程组的特解（或一个解） 方程：AX=b 解法：X=A\b 2．利用矩阵的LU、QR和cholesky分解求方程组的解，在求解大型方程组时很有用。其优点是运算速度快、可以节省磁盘空间、节省内存。 （1）LU分解： A*X=b 变成L*U*X=b 所以X=U\(L\b) 这样可以大大提高运算速度。 （2）Cholesky分解：若A为对称正定矩阵，方程 A*X=b 变成 R’*R*X=b所以X=R\(R’\b) （3）QR分解 ：方程 A*X=b 变形成 QRX=b 所以 X=R\(Q\b) A=[5 6 0 0 0 ;1 5 6 0 0;0 1 5 6 0;0 0 1 5 6;0 0 0 1 5]; B=[1 0 0 0 1]’; R_A=rank(A) %求秩 X=A\B %求解 运行后结果如下 R_A = 5 X = 2.2662 -1.7218 1.0571 -0.5940 0.3188 C=[A,B] %由系数矩阵和常数列构成增广矩阵C R=rref(C) %将C化成行最简行 R = 1.0000 0 0 0 0 2.2662 0 1.0000 0 0 0 -1.7218 0 0 1.0000 0 0 1.0571 0 0 0 1.0000 0 -0.5940 0 0 0 0 1.0000 0.3188 function kleim(A,b) [m,n]=size(A); if m==n det(A)~=0 for i=1:n; B=A; B(:,i)=b; X(i)=det(B)/det(A); end X else disp(Do not work use rule of kleim!) end 在