MATLAB快速入门教程（二）

二、MATLAB 矩阵运算基础

1.矩阵的加减运算

如果矩阵的行数=列数，那么矩阵是一个方阵，方阵有很多独特的性质。
$$A=\left[\begin{array}{cccc}{a}_{11}& a_{12}& \cdots & a_{1n}\\ a_{21}& a_{22}& \cdots & a_{2n}\\ ⋮& ⋮& \ddots & ⋮\\ a_{n1}& a_{n2}& \cdots & a_{nn}\end{array}\right]$$
下面讲一下矩阵加减法，首先必须是两个同型矩阵才能进行加减运算。这里我们假设A、B矩阵都是m*n（m行，n列）的矩阵。
$$A=\left[\begin{array}{cccc}{a}_{11}& a_{12}& \cdots & a_{1n}\\ a_{21}& a_{22}& \cdots & a_{2n}\\ ⋮& ⋮& \ddots & ⋮\\ a_{m1}& a_{m2}& \cdots & a_{mn}\end{array}\right]B=\left[\begin{array}{cccc}{b}_{11}& b_{12}& \cdots & b_{1n}\\ b_{21}& b_{22}& \cdots & b_{2n}\\ ⋮& ⋮& \ddots & ⋮\\ b_{m1}& b_{m2}& \cdots & b_{mn}\end{array}\right]$$
那么A±B的结果为
$$A\pm B=\left[\begin{array}{cccc}{a}_{11}\pm b_{11}& a_{12}\pm b_{12}& \cdots & a_{1n}\pm b_{1n}\\ a_{21}\pm b_{21}& a_{22}\pm b_{22}& \cdots & a_{2n}\pm b_{2n}\\ ⋮& ⋮& \ddots & ⋮\\ a_{m1}\pm b_{m1}& a_{m2}\pm b_{m2}& \cdots & a_{mn}\pm b_{mn}\end{array}\right]$$
在matlab中可以举例进行运算

2.矩阵的乘除运算和转置

⚪矩阵点乘

矩阵的点乘规则，首先依然要求A、B是两个同型的矩阵，这里我们还是设矩阵维度m*n。当然了相应的除法也是同样的道理。
$$A\cdot B=\left[\begin{array}{cccc}{a}_{11}{b}_{11}& a_{12}{b}_{12}& \cdots & a_{1n}{b}_{1n}\\ a_{21}{b}_{21}& a_{22}{b}_{22}& \cdots & a_{2n}{b}_{2n}\\ ⋮& ⋮& \ddots & ⋮\\ a_{m1}{b}_{m1}& a_{m2}{b}_{m2}& \cdots & a_{mn}{b}_{mn}\end{array}\right]$$
matlab执行点乘运算代码如下（以及除法）

⚪矩阵乘法规则

我们首先仍然对矩阵A、B有要求，要求左侧矩阵的列数等于右侧矩阵的行数。即矩阵A为xn，矩阵B为ny。
$$A=\left[\begin{array}{cccc}{a}_{11}& a_{12}& \cdots & a_{1n}\\ a_{21}& a_{22}& \cdots & a_{2n}\\ ⋮& ⋮& \ddots & ⋮\\ a_{x1}& a_{x2}& \cdots & a_{xn}\end{array}\right]B=\left[\begin{array}{cccc}{b}_{11}& b_{12}& \cdots & b_{1y}\\ b_{21}& b_{22}& \cdots & b_{2y}\\ ⋮& ⋮& \ddots & ⋮\\ b_{n1}& b_{n2}& \cdots & b_{ny}\end{array}\right]$$
我们假设A×B=C，那么矩阵C的第i行，第j列的值为
$$C_{ij}=\sum _{k=1}^n{a}_{ik}{b}_{kj}$$
我们举个简单的例子来看了解一下，同时我们也从这个例子中明白AB和BA结果是不同的

⚪矩阵的逆&单位矩阵

我们已经知道了矩阵乘法（叉乘），我们现在来定义一下矩阵的除法。
首先我们要先了解一下单位矩阵，很容易理解只有对角线上的值为1，其余值为0。
$$I=\left[\begin{array}{cccc}1& 0& \cdots & 0\\ 0& 1& \cdots & 0\\ ⋮& ⋮& \ddots & ⋮\\ 0& 0& \cdots & 1\end{array}\right]$$
我们可以看一下单位矩阵的性质（I是nn的单位矩阵，A是nn的任意方阵）
$$A\times I=A；I\times A=A$$
所以我们可以定义一下矩阵的逆$A^{-1}$
$$A\times A^{-1}=I$$
所以我们定义矩阵A除矩阵B为
$$A\times B^{-1}$$
这里我们还要注意一个问题，如前述有$A\times B=C$，所以
$$A=C\times B^{-1}$$
但是$B=C\times A^{-1}$是错误的
下面我们解释一下原因
我们可以这样理解除法
$$A\times B=C$$两侧同乘$B^{-1}$
$$A\times B\times B^{-1}=C\times B^{-1}$$
我们知道$B\times B^{-1}=I$，所以
$$A\times I=C\times B^{-1}\to A=C\times B^{-1}$$
但是，$A\times B\times A^{-1}=C\times A^{-1}$之中，由于矩阵相乘的顺序问题，所以左侧不能化简为$B$
所以正确的式子应该是
$$A^{-1}\times A\times B=A^{-1}\times C\to B=A^{-1}\times C$$

以上讨论基于A和B都是可逆矩阵
下面看一下matlab中如何初始化单位矩阵，如何求逆。

⚪矩阵的转置

转置矩阵表示为$A^T$，规则为$A_{ij}替换为A_{ji}$
$$A=\left[\begin{array}{cccc}{a}_{11}& a_{12}& \cdots & a_{1n}\\ a_{21}& a_{22}& \cdots & a_{2n}\\ ⋮& ⋮& \ddots & ⋮\\ a_{m1}& a_{m2}& \cdots & a_{mn}\end{array}\right]A^T=\left[\begin{array}{cccc}{a}_{11}& a_{21}& \cdots & a_{m1}\\ a_{12}& a_{22}& \cdots & a_{m2}\\ ⋮& ⋮& \ddots & ⋮\\ a_{1n}& a_{2n}& \cdots & a_{mn}\end{array}\right]$$
matlab的代码如下

这里介绍一个小小转置的性质$A\times A^T$
$$A\times A^T=\left[\begin{array}{cccc}{a}_{11}^2& a_{21}^2& \cdots & a_{m1}^2\\ a_{12}^2& a_{22}^2& \cdots & a_{m2}^2\\ ⋮& ⋮& \ddots & ⋮\\ a_{1n}^2& a_{2n}^2& \cdots & a_{mn}^2\end{array}\right]$$
因为matlab对矩阵运算有优化，所以其矩阵运算的速度非常快，所以我们算一批数据的平方，可以用此法计算，是一种优化。这里面也需要注意，在matlab中能矩阵运算的最好避免if或者for的迭代计算。

3.MATALB矩阵的操作

⚪初始化矩阵

为了方便复制代码，下面使用代码片来展示

A=[1,2,3;3,4,5];%其中分号表示行之间的分割
B=zeros(3,4);%表示一个3*4的0矩阵
C=ones(3,4);%表示一个3*4的1矩阵

⚪矩阵元素的表示&行列的表示&更改

详见代码的备注（嘻嘻 ）

A=[1,2,3;3,4,5];
B=zeros(3,4);
C=ones(3,4);
A(1,2)=100;%A(1,2)表示A矩阵的第一行第二列，然后更改其值为100
disp(A);
B(1,:)=ones(1,4);%B(1,:)表示B的第一行，然后我们将第一行全部赋1
disp(B);
C(:,2)=zeros(3,1);%C(:,2)表示C的第二列，然后我们将第二列全部赋0
disp(C);

我们看一下输出结果

⚪矩阵区块的赋值

我们还可以在一个大矩阵的某个区域赋值

A=ones(5,5);%初始化一个5*5的1矩阵
disp(A);%打印初始的矩阵
A(2:4,3:4)=zeros(3,2);%将A矩阵2到4行的3到4列都赋值为0
disp(A);%展示第一次更改后的矩阵
C=[2,4;5,6;7,8];
A(2:4,3:4)=C;%给A矩阵再次赋值，将C矩阵赋值在A矩阵2到4行的3到4列的位置
disp(A);

看一下输出的结果