实验4(行列式、矩阵和线性变换)课件.ppt

数学实验;实验四 行列式、矩阵与线性变换;det(A） 行列式计算 inv(A) 矩阵的逆 rank(A) 矩阵的秩 trace(A) 矩阵的迹 范数 n=norm(V) norm(V,P) = sum(abs(V).^P)^(1/P) norm(V) = norm(V,2) norm(V,inf) = max(abs(V)) norm(V,-inf) = min(abs(V));;d=eig(A) 计算矩阵A的特征值 [v,d]=eig(A) 特征向量和特征值， 满足AV=VD. rref(A) 通过初等行变换将A化为 最简阶梯形矩阵 rrefmovie 可观察初等行变换的过程 reshape(A,m,n) 将A改写成m行n 列的矩阵 ; 基本操作;示例1：（程序）;示例1：（程序续）;示例2;LU分解 QR分解 Cholesky分解 Schur分解; LU分解法;QR分解法;Cholesky分解法;Schur分解法;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。 ;示例3;; 示例4、给定向量组：;a=[1,1,2,-1] b=[0,2,1,-4] c=[1,1,0,-1] d=[2,0,3,2] A=[a,b,c,d] format rat Rref_A=rref(A);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) ;示例5;A=[5 6 0 0 0 ;1 5 6 0 0;0 1 5 6 0;0 0 1 5 6