第6章 矩阵分析.ppt

第六章 ;第6章 矩阵分析;教学重点：;6.1 MATLAB数值计算中的矩阵分析;6.2 矩阵基本运算;应用举例：;6.2.2 矩阵的线性代数乘法*;应用举例：;6.2.3 矩阵的按位乘法;应用举例：;6.2.4 矩阵线性代数除法;Matlab在进行矩阵线性代数除法运算时，对右除C/B,要求C的列数与B的列数相等；对左除A\C,要求A的行数与C的行数相等。 A*B=C A=C/B B=A\C ;应用举例：;应用举例：;与矩阵按位乘法相似，Matlab也定义了矩阵按位除法。矩阵按位除法也有两种算子，即左除算子和右除算子。 矩阵的按位除法要求参与运算的矩阵具有相同的大小，或至少有一个为标量。;应用举例：;6.2.6 矩阵的幂;应用举例：;6.2.7 矩阵按位幂;应用举例：;6.2.8 矩阵按位运算;6.3 矩阵特征量;6.3.1 矩阵的行列式;应用举例：;应用举例：;6.3.2 矩阵的逆;应用举例：;应用举例：;应用举例：;6.3.3 矩阵的秩;6.4 矩阵分解;6.4 矩阵分解;对N阶方阵A，λ为标量，V是非零的N维列向量，且满足Av＝λv。则称λ为方阵A的特征值，v是A相对于特征值的特征向量。 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2种：(1) E=eig(A) 矩阵A的全部特征值，构成向量E。(2) [V,D]=eig(A) 矩阵A的全部特征值，构成对角阵D，并且A的特征向量构成V的列向量。;应用举例：;求解线性方程组：;6.4.3 Cholesky分解;应用举例：;应用举例*：;因为A=RT*R，因此A*X=B变成RT*R*X=B X=R\(RT\B) A=[16 4 8;4 5 -4;8 -4 22] B=[28 5 26] R=chol(A) X=R\(R\B) ;LU分解法，可以把任意矩阵分解为下三角矩阵的基本变换形式和上三角矩阵的乘积。即A=LU(或PA＝LU) L为下三角矩阵，U为上三角矩阵,P为置换矩阵。 在Matlab中函数LU用于矩阵的LU分解，其基本的调用格式为: [L,U]=lu(A); [L,U,P]=lu(A)。 ;矩阵的LU分解最常用于求解线性方程组Ax＝b。 首先做LU分解PA＝LU，线性方程组Ax＝b转换为LUx＝Pb， 求解过程分两步进行： 1）首先求解线性方程组Ly＝Pb，可得y＝L\(Pb); 2) 接着求原方程组的解Ux＝y，得x＝U\y。;应用举例*：;Ax＝b转换为LUx＝Pb，x=U\L\(pb) 在Matlab命令窗口中输入如下代码： A=[1,2,3;4,5,6;7,8,9]; b=[2;3;4]; [L,U,P]=lu(A)； y=L\(P*b)； x=U\y ;6.4.5 QR（正交）分解;应用举例*：;A*X=b变成Q*R*X=b X=R\(Q\b) A=[16 4 8;4 5 -4;8 -4 22] B=[28 5 26] [Q,R]=qr(A) X=R\(Q\B) ;6.5 矩阵函数;6.5.1 常用矩阵函数;应用举例：;6.6 稀疏矩阵;6.6.1 稀疏矩阵与全矩阵;应用举例：;稀疏矩阵的执行效率。 对上例中的两个矩阵，A和full_(A)分别执行乘数运算。 tic;2*A;toc Elapsed time is 0.016000 seconds. tic;2*full_A;toc Elapsed time is 0.047000 seconds. 说明稀疏矩阵提高了运行效率。 %%tic表示计时开始，toc表示计时结束，时间差即为中间代码执行时间。 ;6.6.2 创建稀疏矩阵; 具体的： 函数A=sparse(S)将矩阵S转化为稀疏存储方式的矩阵A。 sparse(m,n)：生成一个m×n的所有元素都是0的稀疏矩阵。 函数speye(m,n)生成一个m×n的稀疏存储单位矩阵 函数A＝spdiags(B,d,m,n)创建m×n的稀疏矩阵，A的第d个对角线为B的列。;此外，还有一些和稀疏矩阵操作有关的函数。例如[u,v,S]=find(A)：返回矩阵A中非0元素的下标和元素。full(A)：返回和稀疏存储矩阵A对应的完全存储方式矩阵。 ;应用举例：;6.6.3 稀疏矩阵操作;矩阵结构信息函数，如isempty、isscalar、isvector、length、ndims、numel、size； 矩阵数据类型信息函数，如ischar、isfloat、isinteger、islogical、isnumber、isreal，这些函数对稀疏矩阵输入返回稀疏矩阵。 ;应