MATLAB线性方程组及矩阵特征值席.ppt

两个收敛定理 * 类似,设方程组 Ax = b,矩阵A 有一扰动 时, 将引起方程组解x的扰动 。 设 x 是方程组 Ax = b 的解，则有 化简,得 取范数 矩阵A的条件数记为Cond(A)，定义为： 条件数总满足： 注：当矩阵是病态时，其条件数一定很大，但并不能直接说明解的误差。 MATLAB中计算条件数的命令是： cond(A) 对于病态矩阵，逆矩阵和行列式的计算都会变得不精确。所以具备下列特征的问题可认为是病态的： 但现实中计算A的逆矩阵很困难，则可以通过 如下方式判断： （1）A三角约化时（即用主元素消元法出现小主元）； （2）如果A的最大特征值与最小特征值的比（按绝对值）大，则病态； （3）如果A元素间数量级相差很大，并无规则。 条件数的性质： 例：Hilbert矩阵（非常有名的病态矩阵）： 计算从5×5到14×14的Hilbert矩阵的条件数、行列式和 。 clear for n=5:14 for i=1:n for j=1:n, a(i,j) = 1/(i+j-1); end end c = cond(a); d = det(a)*det(a^(-1)); fprintf( n=%3.0f cond(a)=%e,det*det = %e\n, n,c,d) end 下面以一个hilbert矩阵为例，看看病态矩阵对线性方程组解的影响： ans= -2.4000 27.0000 -64.8000 42.0000 ans = 524.0568 1.5514e+004 4.7661e+005 1.4951e+007 4.7537e+008 1.5258e+010 A=hilb(4); b=[1 2 1.41 2]; b1=[1 2 1.42 2]; A\b-A\b1 for k=3:8 H=hilb(k); cond(H) end §3.5 矩阵特征值 设A是一个 n×n 矩阵， 为A的特征多项式。 特征多项式的根称为矩阵A的特征值。 在MATLAB中，特征多项式的系数用命令： c=poly(A) 求根： roots(c) 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的特征值和特征向量，而格式3直接求矩阵A的特征值和特征向量，即A中某项非常小，这样求出的特征值及特征向量更精确。 (4)[V,D]=eig(A,B) 计算广义特征值和特征向量，使 AV=BVD。 例：设矩阵 A=[3 4 -2;3 -1 1;2 0 5]; E=eig(A) [V,D]=eig(A) [V,D]=eig(A,nobalance) 在本章会介绍两种求解线性方程组的方法：直接求解和迭代求解。我们知道线性方程组和矩阵是紧密联系的，为此先来给出关于矩阵运算的一些Matlab命令。 * 在Matlab中用diag(A)来求矩阵的对角元素。 diagonal--对角的，对角线的 diag函数有两个用途： * Lower triangular matrix—下三角矩阵 Upper triangular matrix—上三角矩阵 * 1+2+…+n^2 * 上实验课时我们是编程序来得到希尔伯特矩阵，但是用函数得到Hilbter矩阵只能是方阵。 * 伪逆—the pseudo[?su:d??] inverse，虚伪的，假的 * determinant-行列式 * 关于矩阵范数的相关内容大家可以查相关书籍，这里不介绍了 * 由m个方程n个未知量构成的线性方程组 * 对于后两种情形的解法在学高等代数时已经介绍过 * null是用来求齐次线性方程组的基础解系的，加上r则求出的是一组最小正整数解，如果不加，则求出的是解空间的规范正交基。 * 直接法—理论上，若计算过程中没有舍入误差，经过有限步算术运算可求得方程组的精确解。 迭代法—格式上的，用某种极限过程去逐步逼近线性方程组的精确解 * 问题是：在消元过程中可能出现aii=0或aii的绝对值约等于0的情况，这时高斯消去法将无法进行。 * 对于增广矩