MATLAB数学基础---矩阵、向量

286 篇文章 32 订阅
236 篇文章 15 订阅

向量表示方法
在这里插入图片描述
行向量
在这里插入图片描述

向量运算

一:加法
在这里插入图片描述
二:标量乘法
在这里插入图片描述
三:零向量
四:转置
在这里插入图片描述
五:内积(点积)

在这里插入图片描述
六:外积(叉乘)
在这里插入图片描述
七:导数
在这里插入图片描述

矩阵运算

-加法
在这里插入图片描述
-标量乘法
在这里插入图片描述
-矩阵乘法
在这里插入图片描述
-向量-矩阵乘积
在这里插入图片描述

-导数
在这里插入图片描述
-积分
在这里插入图片描述
-零矩阵
-单位矩阵
在这里插入图片描述
-矩阵行列式
在这里插入图片描述
-矩阵的逆
在这里插入图片描述
-转置
在这里插入图片描述
-迹
在这里插入图片描述
-秩
-矩阵伪逆
在这里插入图片描述
方阵函数
在这里插入图片描述

向量-矩阵运算

二次型
在这里插入图片描述
定的形式
正定
在这里插入图片描述
半正定
在这里插入图片描述
负定
在这里插入图片描述
半负定
在这里插入图片描述
范数
在这里插入图片描述
梯度运算
标量函数对向量的一阶偏导数
在这里插入图片描述内积对向量的梯度
在这里插入图片描述
标量对向量的二阶偏导数
在这里插入图片描述
向量对向量的梯度
在这里插入图片描述
标量对矩阵的梯度
在这里插入图片描述
在这里插入图片描述在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

clear all;
close all;

N = 100;
x = 50 * ones(N,1);  %被估计对象
sigma1 = 0.1;
sigma2 = 0.2;
v1 = sigma1 * randn(N,1);
v2 = sigma2 * randn(N,1);
z1 = x + v1;
z2 = x + v2;

w1 = sigma1^2/(sigma1^2 + sigma2^2);
w2 = sigma2^2/(sigma1^2 + sigma2^2);
x_est = w1 * z2 + w2 * z1;

x_est_ls_1 = [];
x_est_ls_2 = [];
sum_1 = 0;
sum_2 = 0;
for i = 1:N
    sum_1 = sum_1 + z1(i);
    sum_2 = sum_2 + z2(i);
    est_1 = sum_1/i;
    est_2 = (sum_1 + sum_2)/(2*i);
    x_est_ls_1 = [x_est_ls_1;est_1];
    x_est_ls_2 = [x_est_ls_2;est_2];
end
x_est_err = x_est-x;
x_est_ls_1_err = x_est_ls_1 - x;
x_est_ls_2_err = x_est_ls_2 - x;

plot(1:N,x_est_err,'k',1:N,x_est_ls_1_err,'k*-',1:N,x_est_ls_2_err,'ko-')
legend('最小方差估计误差','最小二乘估计误差(单测量)','最小二乘估计误差(双测量)');
xlabel('时间(s)');ylabel('速度误差(m/s)')```

clear all;
close all;

N = 100;
x = 50 * ones(N,1);  %被估计对象
sigma1 = 0.1;
sigma2 = 0.2;
v1 = sigma1 * randn(N,1);
v2 = sigma2 * randn(N,1);
z1 = x + v1;
z2 = x + v2;

w1 = sigma1^2/(sigma1^2 + sigma2^2);
w2 = sigma2^2/(sigma1^2 + sigma2^2);
x_est = w1 * z2 + w2 * z1;

x_est_ls_1 = [];
x_est_ls_2 = [];
sum_1 = 0;
sum_2 = 0;
for i = 1:N
    sum_1 = sum_1 + z1(i);
    sum_2 = sum_2 + z2(i);
    est_1 = sum_1/i;
    est_2 = (sum_1 + sum_2)/(2*i);
    x_est_ls_1 = [x_est_ls_1;est_1];
    x_est_ls_2 = [x_est_ls_2;est_2];
end
x_est_ls_1_err = x_est_ls_1 - x;
x_est_ls_2_err = x_est_ls_2 - x;

figure(1)
plot(1:N,x_est,'r',1:N,x,'b*-',1:N,z1,'k',1:N, z2,'bo-');
legend('估计值','真值','测量值1','测量值2');
xlabel('时间(s)');ylabel('速度(m/s)')

figure(2)
plot(1:N,x_est-x,'r',1:N,v1,'b*-',1:N,v2,'ko-');
legend('估计误差','误差1','误差2');
xlabel('时间(s)');ylabel('速度误差(m/s)')

figure(3)
plot(1:N,x_est-x,'r',1:N,x_est_ls_1_err,'k*-',1:N,x_est_ls_2_err,'bo-')
legend('最小方差估计误差','最小二乘估计误差(单测量)','最小二乘估计误差(双测量)');
xlabel('时间(s)');ylabel('速度误差(m/s)')
  • 0
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 2
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值