c++求矩阵的秩_科学计算 | MATLAB矩阵分析处理

点击“蓝字”关注我们

科学计算 | MATLAB矩阵分析处理

01

特殊矩阵

1.通用特殊矩阵

• zeros函数:产生全0矩阵，即零矩阵。

• ones函数:产生全1矩阵，即幺矩阵。

• eye函数:产生对角线为1的矩阵。当矩阵是方阵，得到一个单位矩阵。

• rand函数:产生(0,1)区间均匀分布的随机矩阵。

• randn函数:产生均值为0，方差为1的标准正态分布随机矩阵。

   zeros函数的调用格式:

• zeros(m):产生m*m零矩阵。

• zeros(m,n):产生m*n零矩阵。

• zeros(size(A)):产生与矩阵A同样大小的零矩阵。

>> A=zeros(3,2)A =     0     0     0     0     0     0>> zeros(size(reshape(A,2,3)))ans =     0     0     0     0     0     0

2.用于专门学科的特殊矩阵

• 魔方矩阵

>> M=magic(3)M =     8     1     6     3     5     7     4     9     2

n阶魔方阵由1，2，3，…，n²个整数组成，且每行、每列以及主、副对角线上各n个元素之和都相等。

n>2 时有很多不同的n阶魔方阵，matlab函数 magic(n)产生一个特定的魔方阵。

• 范德蒙矩阵

  在matlab中，函数vander(V)生成以向量V为基础的范德蒙矩阵。

  

>> A=vander(1:3)A =     1     1     1     4     2     1     9     3     1

• 希尔伯特矩阵

  在matlab中，生成n阶希尔伯特矩阵的函数是hilb(n)。

>> format rat     %定义输出显示格式为有理分式>> A=hilb(3)A =       1              1/2            1/3            1/2            1/3            1/4            1/3            1/4            1/5     

• 伴随矩阵

matlab生成伴随矩阵的函数是 compan(p)，其中p是一个多项式的系统向量，高次幂系数排在前，低次幂系数排在后。

>> p=[1,3,-1,6];     %多项式x³+3x²-x+6>> A=compan(p)A =      -3              1             -6              1              0              0              0              1              0       

• 帕斯卡矩阵

根据二项式定理，( x+y) ⁿ展开后的系数随着n的增大组成一个三角形表，这个三角形称为 杨辉三角形。把二项式系数依次填写在矩阵的左侧对角线上，然后提取左侧的n行n列元素即为n阶帕斯卡(Pascal)矩阵。

02

矩阵变换

1.对角阵

• 对角矩阵:只有对角线上有非零元素的矩阵。

• 数量矩阵:对角线上的元素相等的对角矩阵。

• 单位矩阵:对角线上的元素都为1的对角矩阵。

⑴提取矩阵的对角线元素

• diag(A):提取矩阵A主对角线元素，产生一个列向量。

• diag(A,k):提取矩阵A第k条对角线的元素，产生一个列向量。

⑵构造对角矩阵

• diag(V):以向量V为主对角线元素，产生对角矩阵。

• diag(V,k):以向量V为第k条对角线元素，产生对角矩阵。

>> A=[1,2,3;4,5,6;7,8,9];>> diag(A)ans =       1              5              9       >> diag(1:3)ans =       1              0              0              0              2              0              0              0              3

2.三角阵

• 上三角阵:矩阵的对角线以下的元素全为0的矩阵。

• 下三角阵:对角线以下的元素全为0的矩阵。

⑴上三角矩阵

• triu(A):提取矩阵A的主对角阵及以上的元素。

• triu(A,k):提取矩阵A的第k条对角线及以上的元素。

⑵下三角阵

在matlab中，提取矩阵A的下三角矩阵的函数 tril，其用法与triu函数完全相同。

>> A=[1,2,3;4,5,6;7,8,9];>> triu(A)ans =       1              2              3              0              5              6              0              0              9

3.矩阵的转置

转置运算符是小数点后面接单引号(.')。共轭转置，其运算符是单引号(')，它在转置的基础上还要取每个数的复共轭。

>> A=[1+i,2-i;3+i,4-i,];>> A.'ans =       1        +    1i             3        +    1i             2        -    1i             4        -    1i      >> A'ans =       1        -    1i             3        -    1i             2        +    1i             4        +    1i

4.矩阵的旋转

rot90(A,k):将矩阵A逆时针方向旋转90度的k倍， 当k为1时可忽略。

>> A=[1,2,3;4,5,6;7,8,9];>> rot90(A)ans =       3              6              9              2              5              8              1              4              7

5.矩阵的翻转

• fliplr(A):对矩阵A实施左右翻转。

• flipud(A):对矩阵A实施上下翻转。

>>  A=[1,2,3;4,5,6;7,8,9];>> flipud(A)ans =       7              8              9              4              5              6              1              2              3       >> fliplr(A)ans =       3              2              1              6              5              4              9              8              7

6.矩阵的求逆

定义：对于一个方阵A，如果存在一个与其方阵B，使得AB=BA=I(I为单位矩阵)，则称B为A的逆矩阵，当然A也是B的逆矩阵。(常用于解线性方程组) inv(A):求方阵A的逆矩阵。

03

矩阵求值

1.方阵的行列式

把一个方阵看作一个行列式，并对其按行列式的规则求值，这个值就称为方阵所对应的行列式的值。 det(A):求方阵A所对应的行列式的值。

>> A = [1 -2 4; -5 2 0; 1 0 3];>> det(A)ans =     -32

2.矩阵的秩

矩阵线性无关的行数或列数称为矩阵的秩。 rank(A):求矩阵A的秩。

>> A = [3 2 4; -1 1 2; 9 5 10];>> rank(A)ans =       2

3.矩阵的迹

矩阵的迹等于矩阵的对角线元素之和，也等于矩阵的特征值之和。 trace(A):求矩阵A的迹。

>> A=[1,2,3;4,5,6;7,8,9];>> trace(A)ans =      15

4.向量和矩阵的范数

矩阵或向量的范数用来度量矩阵或向量在某种意义下的长度。

⑴向量的3种常用范数

向量1—范数:向量元素的绝对值之和向量2—范数:向量元素绝对值的平方和的平方根向量∞—范数:所有向量元素绝对值中的最大值

在matlab中，求向量范数的函数为:

norm(V)或 norm(V,2):计算向量V的2—范数 norm(V,1):计算向量V的1—范数 norm(V,inf):计算向量V的∞—范数

⑵矩阵的范数

矩阵A的1—范数:矩阵列元素绝对值之和的最大值矩阵A的2—范数:A'A矩阵的最大特征值的平方根矩阵A的∞—范数:所有矩阵行元素绝对值之和的最大值在matlab提供了求3种矩阵范数的函数，其函数调用格式与求向量的范数的函数完全相同。

>> a=(1:3)a =       1              2              3       >> norm(a,1)ans =       6

5.矩阵的条件数

矩阵A的条件数等于A的范数与A的逆矩阵的范数的乘积。条件数越接近于1，矩阵的性能越好，反之矩阵的性能越差。

• cond(A,1):计算A的1—范数下的条件数

• cond(A)或cond(A,2):计算A的2—范数下的条件数

• cond(A,inf):计算A的∞—范数下的条件数

04

矩阵的特征值和特征向量

1.矩阵特征值的数学定义:

设A是n阶方阵，如果存在常数λ和n维非零列向量x，使得等式Ax=λx成立，则称λ为A的特征值，x是对应特征值λ的特征向量。

• E=eig(A):求矩阵A的全部特征值，构成向量E。

• [X,D]=eig(A):求矩阵A的全部特征值，构成对角阵D，并产生矩阵X，X各列是对应的特征向量。

>> A = [1 -2 4; -5 2 0; 1 0 3]；>> E=eig(A)E =   -1244/573       1261/230       1648/613

05

稀疏矩阵

定义:零元素的个数远远多于非零元素的个数的矩阵。

1.矩阵的存储方式

• 完全存储方式：将矩阵的全部元素按列存储。

• 稀疏存储方式：只存储矩阵的非零元素的值及其位置，即行号和列号。

  注：采用稀疏存储方式时，矩阵元素的存储顺序并没有改变，也是按列的顺序进行存储。

  当矩阵的规模很大时，采用稀疏存储方式可以大大节约存储空间。

2.稀疏存储方式的产生

⑴完全存储方式与稀疏存储方式之间的转化

• A=sprase(S):将矩阵S转化为稀疏矩阵存储方式的矩阵A。

• S=full(A):将矩阵A转化为完全存储方式的矩阵S。

>> A=sparse(eye(3))A =   (1,1)          1          (2,2)          1          (3,3)          1       >> B=full(A)B =       1              0              0              0              1              0              0              0              1

⑵直接建立稀疏存储矩阵

sparse函数的其他调用格式:

• sparse(m，n):生成一个m*n的所有元素都是零的稀疏矩阵。

• sparse(u，v，S):其中u、v、S是3个等长的向量。S是要建立的稀疏存储矩阵的非零元素，u(i)、v(i)分别是S(i)行和列下标。

>> A=sparse([1,2,2],[2,1,4],[4,5,7])A =   (2,1)          5          (1,2)          4          (2,4)          7       >> B=full(A)B =       0              4              0              0              5              0              0              7       

使用spconvert函数直接建立稀疏存储矩阵。其调用格式为:B=spconvert(A)

其中，A为一个m×3或m×4的矩阵，其每行表示一个非零元素，m是非零元素的个数 。

• A(i,1) 表示第i 个非零元素所在的行 。

• A(i,2)表示第i个非零元素所在的列 。

• A(i,3) 表示第i个非零元素值的实部 。

• A(i,4) 表示第i个非零元素值的虚部 。

若矩阵的全部元素都是实数，则无须第4列。

>> A=[2,2,1;2,1,-1;2,4,3]A =       2              2              1              2              1             -1              2              4              3       >> B= spconvert(A)B =   (2,1)         -1          (2,2)          1          (2,4)          3

⑶带状稀疏矩阵的稀疏存储方式

• 稀疏矩阵有两种基本类型:无规则结构的稀疏矩阵与有规则的稀疏矩阵。

• 带状稀疏矩阵是指所有非零元素集中在对角线上的矩阵。

• [B,d]=spdiags(A)：从带状稀疏矩阵A中提取全部非零对角线元素赋给矩阵B及其这些非零对角线的位置向量d。

• A=spdiags(B,d,m,n)：产生带状稀疏矩阵的稀疏存储矩阵A，其中m、n为原带状稀疏矩阵的行数与列数，矩阵B的第i列即为原带状稀疏矩阵的第i条非零对角线，向量d为原带状稀疏矩阵所有非零对角线的位置。

>> A=[12,0,2,0;0,13,0,3;6,0,8,0]A =      12              0              2              0              0             13              0              3              6              0              8              0       >> [B,d]=spdiags(A)B =       0             12              2              0             13              3              6              8              0       d =      -2              0              2     >> A=spdiags(B,d,3,4)A =   (1,1)         12          (3,1)          6          (2,2)         13          (1,3)          2          (3,3)          8          (2,4)          3         

⑷单位矩阵的稀疏存储

speye(m,n):返回一个m*n的稀疏存储矩阵单位矩阵。

>> speye(3)ans =   (1,1)          1          (2,2)          1          (3,3)          1

---

在大学我们一般都会学线性代数这门基础课，我们都知道其中最复杂就是数值计算，所以在传统的教学内容上老师会着重强调其定义、性质和定理，把复杂的问题通过一些性质转化成简单的问题，但在实际问题中，往往涉及到的线性方程组和矩阵是大规模的，人工计算是非常不容易的，这也导致我们在学习线性代数的时候觉得无趣。我想如果在学习线性代数理论课的基础上增加实验课学分，这样将理论与实验相结合，反而能增加同学们的学习积极性。

在这个寒冷的时节里

因为有你的关注

而变得温暖

欢迎大家评论下方留言！

你“在看”我吗？