matlab中向量x乘,如何在MATLAB中对向量和矩阵进行分量明智的乘法？

我想计算以下表达式：

a_2 = c_k2 * (b - t_k2)

其中t_k2是大小K1 x K2的列向量，b是大小K1 x 1，c_k2是常数(1 x 1)。但是我有这些t向量的K2。我知道我可以这样做：

t % (K1 x K2)

b % (K1 x 1)

a_k2 % (K1 x K2)

c % (K2 x 1)

for k2=1:K2

t_k2 = t(:,k2); % K1 x 1

c_k2 = c(k2);

a_k2(:,k2) = c_k2 * (b - t_k2); % K1 x 1

end

但是我想知道是否有使用cleaver的方法将其编写为MATLAB中的一行(避免所有索引和循环，并希望加快速度)。那可能吗？

我最初的想法可能是将b复制到大小为" K1 x K2"的矩阵中。假定可以做到，用B表示。然后我们可以计算B-t，并且每个条目都有(b - t_k2)。假设我们甚至可以做到这一点，我唯一的想法就是将每个常量c_k复制到具有该数量的向量中，如c_k_vec = [c_k, ... c_k]所示，然后对这些矩阵进行元素明智的乘法。显然，B应该：

B = repmat(b, [1,K2]);

和

B - t

完成了部分任务...但我不清楚如何在一行中没有循环的情况下生成列为c_k_vec = [c_k, ... c_k]的矩阵。这个想法是向量c与B-t的每一列匹配，我们希望将B-t的每一列乘以向量x中的项。

也许这是不可能的...

bsxfun是您的朋友

您几乎回答了您的问题(再次:))。您当然可以在b上使用repmat来水平复制列向量K2多次，以使尺寸一致。但是，c矩阵存在一个小问题，因为如果要实现矢量化输出矩阵的计算，则尺寸当前不兼容。

如果我正确理解了您的问题，则应将输出的每一行乘以c的相应行。在这种情况下，这只是在c上运行repmat的另一种情况，但重复此向量K1次。

具体而言，您可以执行以下操作：

a_k2 = repmat(c.', K1, 1) .* (repmat(b, 1, K2) - t);

请注意，我必须转置c，因为您说它是K2 x 1矢量。为了确保大小匹配，我对其进行了转置，使其变为1 x K2，并且repmat'ing将复制此矩阵以使其成为K1 x K2以与中间结果匹配。

但是，这看起来有点不雅致。我鼓励您利用bsxfun，它可以在后台进行复制：

a_k2 = bsxfun(@times, c.', bsxfun(@minus, b, t));

首先要做的是将b复制到与t一样多的列，然后通过复制c向量在形状上匹配，将中间结果乘以正确的c值。中间结果。 bsxfun的优点在于您无需知道需要多少次repmat。 bsxfun为您找到答案。

为了显示这三个语句是等效的，让我们生成一些样本数据，并运行您的for循环，然后运行我上面编写的两段代码：

%// Data setup

rng(123);

K1 = 10;

K2 = 12;

t = rand(K1, K2);

b = rand(K1, 1);

c = rand(K2, 1);

%// Your code

for k2=1:K2

t_k2 = t(:,k2); % K1 x 1

c_k2 = c(k2); %// Note - typo here

a_k2(:,k2) = c_k2 * (b - t_k2); % K1 x 1

end

%// Using repmat

a_k2r = repmat(c.', K1, 1) .* (repmat(b, 1, K2) - t);

%// Using bsxfun

a_k2b = bsxfun(@times, c.', bsxfun(@minus, b, t));

a_2k是您的代码生成的，而，a_k2b是我建议的两段代码的输出。如果我们全部显示它们，则会得到：

>> a_k2

a_k2 =

Columns 1 through 7

0.1527    0.0905    0.1628    0.7042    0.2768    0.0623    0.1011

-0.0574   -0.0840   -0.3855   -0.1957    0.0905   -0.0491   -0.1620

0.0480   -0.0235   -0.2595   -0.1198   -0.0244   -0.0246   -0.1424

-0.0229    0.0741   -0.0547    0.0228    0.1035   -0.0020   -0.0663

0.1334    0.0812    0.1078    0.4122    0.0350    0.0444    0.0255

0.4098    0.0396    0.3969    0.5813    0.7211    0.0539    0.3857

-0.5287    0.0121   -0.0626   -0.1462   -0.2218   -0.0127   -0.2168

-0.0881    0.0626    0.2019   -0.2849   -0.4143   -0.0093    0.1374

0.2384    0.0444    0.3083   -0.1188    0.2827   -0.0054    0.2625

0.0016   -0.0221   -0.1421   -0.0931   -0.2149   -0.0092   -0.0763

Columns 8 through 12

0.1656    0.2643    0.1098    0.0366    0.1747

-0.1386   -0.2183   -0.4315   -0.0428   -0.0435

-0.0685   -0.1180   -0.0347    0.0174    0.0360

-0.0416    0.0591   -0.1329    0.0363   -0.0918

0.1812   -0.0105    0.1691    0.0541    0.1672

0.0796    0.0640    0.1599    0.0301    0.1280

-0.0612   -0.0450    0.0583   -0.0550   -0.0953

0.0829    0.2347    0.0906    0.0010    0.0127

0.1338    0.2263    0.3101   -0.0044    0.2388

-0.0616   -0.0017    0.0279    0.0009   -0.1763

>> a_k2b

a_k2b =

Columns 1 through 7

0.1527    0.0905    0.1628    0.7042    0.2768    0.0623    0.1011

-0.0574   -0.0840   -0.3855   -0.1957    0.0905   -0.0491   -0.1620

0.0480   -0.0235   -0.2595   -0.1198   -0.0244   -0.0246   -0.1424

-0.0229    0.0741   -0.0547    0.0228    0.1035   -0.0020   -0.0663

0.1334    0.0812    0.1078    0.4122    0.0350    0.0444    0.0255

0.4098    0.0396    0.3969    0.5813    0.7211    0.0539    0.3857

-0.5287    0.0121   -0.0626   -0.1462   -0.2218   -0.0127   -0.2168

-0.0881    0.0626    0.2019   -0.2849   -0.4143   -0.0093    0.1374

0.2384    0.0444    0.3083   -0.1188    0.2827   -0.0054    0.2625

0.0016   -0.0221   -0.1421   -0.0931   -0.2149   -0.0092   -0.0763

Columns 8 through 12

0.1656    0.2643    0.1098    0.0366    0.1747

-0.1386   -0.2183   -0.4315   -0.0428   -0.0435

-0.0685   -0.1180   -0.0347    0.0174    0.0360

-0.0416    0.0591   -0.1329    0.0363   -0.0918

0.1812   -0.0105    0.1691    0.0541    0.1672

0.0796    0.0640    0.1599    0.0301    0.1280

-0.0612   -0.0450    0.0583   -0.0550   -0.0953

0.0829    0.2347    0.0906    0.0010    0.0127

0.1338    0.2263    0.3101   -0.0044    0.2388

-0.0616   -0.0017    0.0279    0.0009   -0.1763

>> a_k2r

a_k2r =

Columns 1 through 7

0.1527    0.0905    0.1628    0.7042    0.2768    0.0623    0.1011

-0.0574   -0.0840   -0.3855   -0.1957    0.0905   -0.0491   -0.1620

0.0480   -0.0235   -0.2595   -0.1198   -0.0244   -0.0246   -0.1424

-0.0229    0.0741   -0.0547    0.0228    0.1035   -0.0020   -0.0663

0.1334    0.0812    0.1078    0.4122    0.0350    0.0444    0.0255

0.4098    0.0396    0.3969    0.5813    0.7211    0.0539    0.3857

-0.5287    0.0121   -0.0626   -0.1462   -0.2218   -0.0127   -0.2168

-0.0881    0.0626    0.2019   -0.2849   -0.4143   -0.0093    0.1374

0.2384    0.0444    0.3083   -0.1188    0.2827   -0.0054    0.2625

0.0016   -0.0221   -0.1421   -0.0931   -0.2149   -0.0092   -0.0763

Columns 8 through 12

0.1656    0.2643    0.1098    0.0366    0.1747

-0.1386   -0.2183   -0.4315   -0.0428   -0.0435

-0.0685   -0.1180   -0.0347    0.0174    0.0360

-0.0416    0.0591   -0.1329    0.0363   -0.0918

0.1812   -0.0105    0.1691    0.0541    0.1672

0.0796    0.0640    0.1599    0.0301    0.1280

-0.0612   -0.0450    0.0583   -0.0550   -0.0953

0.0829    0.2347    0.0906    0.0010    0.0127

0.1338    0.2263    0.3101   -0.0044    0.2388

-0.0616   -0.0017    0.0279    0.0009   -0.1763

...为了获得一些好处，让我们比较原始矩阵(您的代码)与其中每个矩阵之间的绝对差，并找出最大偏差：

>> format long g

>> max_diff1 = max(abs(a_k2(:) - a_k2r(:)))

max_diff1 =

0

>> max_diff2 = max(abs(a_k2(:) - a_k2b(:)))

max_diff2 =

0

如您所见，如果我们在计算a_2k与我用repmat和bsxfun生成的结果之间进行元素明智的减法，则表示两个矩阵之差的最大元素为0。因此，我们可以看到来源与两种替代方法之间没有区别。

我不是唯一使用ones(N, 1)*或*ones(1, N)而不是repmat的旧计时器，对吗？

@ user3528438-我也曾经这样做过...在了解repmat之前...然后我只是坚持使用repmat ...但是通过ones(1,N)或ones(N,1)复制索引肯定是有效的 ！

我不确定c_k_vec的来源，但是通过。*可以很容易地对每个元素进行向量乘法，因此，如果您解决了(b-t_k2)部分，则将常数与。*相乘应该非常简单

不，不是，因为不是按元素的乘法。 这个想法是，向量c与B-t的每一列匹配，我们希望将B-t的每一列乘以向量x中的项。

输出是K1 x K2大小的矩阵，而c_k向量是K2 x 1矩阵。 在调用.*之前，需要对c_k进行附加的repmat调用。