酉矩阵按列拆分 matlab,matlab相关矩阵操作及相关实例

.6052 0.2466

t =

4.8121 1.1972 -2.2273 -1.0067

0 1.9202 -3.0485 -1.8381

0 0.7129 1.9202 0.2566

0 0 0 1.3474

>> [U,T]=rsf2csf (u,t)

U =

-0.4916 -0.2756 - 0.4411i 0.2133 + 0.5699i -0.3428

-0.4980 -0.1012 + 0.2163i -0.1046 + 0.2093i 0.8001

-0.6751 0.1842 + 0.3860i -0.1867 - 0.3808i -0.4260

-0.2337 0.2635 - 0.6481i 0.3134 - 0.5448i 0.2466

T =

4.8121 -0.9697 + 1.0778i -0.5212 + 2.0051i -1.0067

0 1.9202 + 1.4742i 2.3355 0.1117 + 1.6547i

0 0 1.9202 - 1.4742i 0.8002 + 0.2310i

0 0 0 1.3474

1.3.6 特征值分解

函数 eig

格式 d = eig(A) %求矩阵A的特征值d，以向量形式存放d。

d = eig(A,B) %A、B为方阵，求广义特征值d，以向量形式存放d。

[V,D] = eig(A) %计算A的特征值对角阵D和特征向量V，使AV=VD成立。

[V,D] = eig(A,'nobalance') %当矩阵A中有与截断误差数量级相差不远的值时，该指令可能更精确。'nobalance'起误差调节作用。

[V,D] = eig(A,B) %计算广义特征值向量阵V和广义特征值阵D，满足AV=BVD。

[V,D] = eig(A,B,flag) % 由flag指定算法计算特征值D和特征向量V，flag的可能值为：'chol' 表示对B使用Cholesky分解算法，这里A为对称Hermitian矩阵，B为正定阵。'qz' 表示使用QZ算法，这里A、B为非对称或非Hermitian矩阵。

1.3.7 奇异值分解

函数 svd

格式 s = svd (X) %返回矩阵X的奇异值向量

[U,S,V] = svd (X) %返回一个与X同大小的对角矩阵S，两个酉矩阵U和V，且满足= U*S*V'。若A为m×n阵，则U为m×m阵，V为n×n阵。奇异值在S的对角线上，非负且按降序排列。

[U,S,V] = svd (X,0) %得到一个“有效大小”的分解，只计算出矩阵U的前n列，矩阵S的大小为n×n。

例1-73

>> A=[1 2;3 4;5 6;7 8];

>> [U,S,V]=svd(A)

U =

-0.1525 -0.8226 -0.3945 -0.3800

-0.3499 -0.4214 0.2428 0.8007

-0.5474 -0.0201 0.6979 -0.4614

-0.7448 0.3812 -0.5462 0.0407

S =

14.2691 0

0 0.6268

0 0

0 0

V =

-0.6414 0.7672

-0.7672 -0.6414

>> [U,S,V]=svd(A,0)

U =

-0.1525 -0.8226

-0.3499 -0.4214

-0.5474 -0.0201

-0.7448 0.3812

S =

14.2691 0

0 0.6268

V =

-0.6414 0.7672

-0.7672 -0.6414

1.3.8 广义奇异值分解

函数 gsvd

格式 [U,V,X,C,S] = gsvd(A,B) %返回酉矩阵U和V、一个普通方阵X、非负对角矩阵C和S，满足A = U*C*X'，B = V*S*X'，C'*C + S'*S = I (I为单位矩阵)；A和B的列数必须相同，行数可以不同。

[U,V,X,C,S] = gsvd(A,B,0) %含义与