Welcome to ErranLi's Blog!

  C++博客 :: 首页 :: 联系 :: 聚合  :: 管理
  106 Posts :: 1 Stories :: 97 Comments :: 0 Trackbacks

常用链接

留言簿(12)

搜索

  •  

积分与排名

  • 积分 - 169363
  • 排名 - 151

最新评论

阅读排行榜

 

原文:http://www.cnblogs.com/JCSU/articles/1490363.html

 

一、用矩阵运算法解线性方程组

 

1、矩阵运算规则及MATLAB实例

 

(1)  矩阵加(减)法:即两矩阵对应元素相加减,要求两矩阵的阶数必须相同。

      C = A + B

 

(2)  矩阵乘法:m×p阶矩阵A与p×n阶矩阵B的乘积C是一个m×n阶的矩阵。元素C(i, j)的值为A矩阵的第i行和B矩阵的第j列对应元素乘积的和。

      A*B = C

      矩阵乘法一般不满足交换律,即:A*B B*A

例:

>> A=[1 2 3]

A =

     1     2     3

>> B=[4; 5; 6]

B =

     4
     5
     6

>> A*B 
%结果是一个标量

ans =

    32

>> B*A 
%结果是一个矩阵

ans =

     4     8    12
     5    10    15
     6    12    18

>> 

 

 

(3)  矩阵求逆:矩阵的逆阵V定义为满足V*A = I (I为与A同阶的单位矩阵)。只有方阵才可以求逆,而且此方阵的行列式必须不为零,det(A) ≠ 0。如果det(A) = 0,求逆时就会出现无穷大,此时的矩阵称为奇异的。

例:

>> A

A =

     4     8    12
     5    10    15
     6    12    18

>> B

B =

     4     8    12
     6    10    15
     7    12     4

>> det(A) 
%矩阵A的行列式为零

ans =

     0

>> det(B) 
%矩阵B的行列式不为零

ans =

   112

>> inv(A) 
%对矩阵A求逆时出现无穷大(Inf)
Warning: Matrix is singular to working precision.

ans =

   Inf   Inf   Inf
   Inf   Inf   Inf
   Inf   Inf   Inf

>> inv(B) 
%对矩阵B求逆正常

ans =

   -1.2500    1.0000         0
    0.7232   -0.6071    0.1071
    0.0179    0.0714   -0.0714

>> 

 

 

(4)  矩阵转置:矩阵的行列互换后构成转置矩阵。如果A是m×n阶的,则AT是n×m阶的。

例:

>> A

A =

     4     8    12
     5    10    15

>> B=A'

B =

     4     5
     8    10
    12    15

 

 

(5)  矩阵分块:矩阵A可以划分成许多小矩阵。

例:

>> A

A =

     3    -4     3     2    -1
     0    -6     0    -3    -3
     4    -3     4     2    -2
     1     1     1     0    -1

>> A1=A(1:3, 1:3)

A1 =

     3    -4     3
     0    -6     0
     4    -3     4

>> A2=A(1:3, 4:5)

A2 =

     2    -1
    -3    -3
     2    -2

>> A3=A(4, 1:4)

A3 =

     1     1     1     0

>> A4=A(4, 5)

A4 =

    -1

>> 

 

 

(5)  矩阵分解为向量:把矩阵沿行向或列向分解为单列或单行向量,常见的是分解为列向量。

其中:

 

 

(6)  行向量左乘列向量:要求两向量的长度必须一致,结果为一个标量。得出的是向量各分量的平方和。如果这些分量是正交的,则得出的是向量的长度平方。它的平方根就是向量长度,也称为向量的范数或2范数。

行向量左乘列向量得到的是,在工程中具有这样计算形式的问题很多,比如用它计算两个向量x和y之间的相关性。

 

(7)  列向量左乘行向量:如果列向量的长度为n,行向量的长度为m,则相乘会得出一个n×m的矩阵,这种方法常常用来生成和计算一些复杂的大矩阵。

 

(8)  矩阵乘法和幂次:A^2 = A*A,  A^n =  A*A*...*A。根据矩阵相乘内阶数必须相等,只有方阵才能乘方和幂次。

 

 

2、初等变换乘子矩阵的生成及MATLAB实例

 

本节通过将原矩阵左乘变换的单位矩阵实现矩阵的初等行变换:

(1) 行交换:将矩阵A的第 i , j 两行互换位置。


% 行交换:交换矩阵A的第1行和第3行

% 步骤1:得到一个5阶单位阵:E=eye(5)
% 步骤2:交换E的第1行和第3行得到矩阵 E1
% 步骤3:矩阵A左乘矩阵E1得到交换后 的矩阵

>> A

A =

     3    -4     3     2    -1
     0    -6     0    -3    -3
     4    -3     4     2    -2
     1     1     1     0    -1
    -2     6    -2     1     3

>> 

E1 =

     0     0     1     0     0
     0     1     0     0     0
     1     0     0     0     0
     0     0     0     1     0
     0     0     0     0     1

>> E1*A

ans =

     4    -3     4     2    -2
     0    -6     0    -3    -3
     3    -4     3     2    -1
     1     1     1     0    -1
    -2     6    -2     1     3

>> 

 

写成函数E1gen(A,i,j):

function E=E1gen(A,i,j)
n=size(A);
%求矩阵A的行数和列数
m=min(n);
%获取矩阵行数和列数中的最小值
E=eye(m);
%产生单位对角阵
E(i,i)=0; E(j,j)=0; E(i,j)=1; E(j,i)=1;

 

 

(2) 行乘数:将矩阵A的第 i 行乘以 k 。

 

 

% 行乘数:将矩阵A的第4行乘以5

% 步骤1:得到一个5阶单位阵:E=eye(5)
% 步骤2:将单位阵E中的元素E(4,4)乘以5得到矩阵E2
% 步骤3:矩阵A左乘矩阵E2得到变换后 的矩阵

>> A

A =

     3    -4     3     2    -1
     0    -6     0    -3    -3
     4    -3     4     2    -2
     1     1     1     0    -1
    -2     6    -2     1     3

>> E2

E2 =

     1     0     0     0     0
     0     1     0     0     0
     0     0     1     0     0
     0     0     0     5     0
     0     0     0     0     1

>> E2*A

ans =

     3    -4     3     2    -1
     0    -6     0    -3    -3
     4    -3     4     2    -2
     5     5     5     0    -5
    -2     6    -2     1     3

>> 

 

写成函数E2gen(A,i,k):

 

function E=E2gen(A,i,k)
n=size(A);
m=min(n);%获取矩阵行数和列数中的最小值
E=eye(m);%产生单位对角阵
E(i,i)=k;

 

 

(3) 行相加:将矩阵的第 i 行乘以 k,加到第 j 行。


% 行乘数加到另一行:将矩阵A的第4行乘以2加到第5行

% 步骤1:得到一个5阶单位阵:E=eye(5)
% 步骤2:将单位阵E中的元素E(5,4)乘以2得到矩阵E3
% 步骤3:矩阵A左乘矩阵E3得到变换后的矩阵

>> A

A =

     3    -4     3     2    -1
     0    -6     0    -3    -3
     4    -3     4     2    -2
     1     1     1     0    -1
    -2     6    -2     1     3

>> E3

E3 =

     1     0     0     0     0
     0     1     0     0     0
     0     0     1     0     0
     0     0     0     1     0
     0     0     0     2     1

>> E3*A

ans =

     3    -4     3     2    -1
     0    -6     0    -3    -3
     4    -3     4     2    -2
     1     1     1     0    -1
     0     8     0     1     1

>> 

 

写成函数E3gen(A,i,j,k):

 

function E=E3gen(A,i,j,k)
n=size(A);
m=min(n);%获取矩阵行数和列数中的最小值
E=eye(m);%产生单位对角阵
E(j,i)=k;

 

实例:

要消去下列矩阵的A(2,1),求乘子矩阵E3

A =

     3    -4     3     2    -1
     6    -6     0    -3    -3
     4    -3     4     2    -2
     1     1     1     0    -1
    -2     6    -2     1     3

 

在第二行加以第一行乘 -A(2,1)/A(1,1) = -2,故令E3 = E3gen(A,1,2,-2)

>> E3=E3gen(A,1,2,-2)

E3 =

     1     0     0     0     0
    -2     1     0     0     0
     0     0     1     0     0
     0     0     0     1     0
     0     0     0     0     1

>> E3*A

ans =

     3    -4     3     2    -1
     0     2    -6    -7    -1
     4    -3     4     2    -2
     1     1     1     0    -1
    -2     6    -2     1     3

>> 

 

综上可知:

1、 行阶梯生成等价于矩阵左乘

因此,整个行阶梯形式U的生成过程,可以看作把原矩阵左乘以一系列的初等变换矩阵E1和E3。把这些初等矩阵的连乘积写成EX,则有: U=EX*A,设其逆为L:

从而有 L*U=A 

就是说,A可以分解为一个准下三角矩阵L和一个上三角(即行阶梯)矩阵U的乘积。MATLAB提供了三角分解的函数lu,它的调用方法是:[L,U]=lu(A)

2、 lu分解是求行阶梯的一个方法

用lu函数求出的U实际上就是A的行阶梯形式(不是简化行阶梯形式)。所以,求简化行阶梯形式用rref函数,而求行阶梯形式可以用lu 函数。不过,它和我们用消元运算所得U的数据不一定相同,尽管得出的阶次和阶梯形状相同。但因为行阶梯形式可以有无数种,用不同步骤算出的结果也不同。只有变成简化行阶梯形式,才能进行比较,看它是不是惟一的。

 

 

3、行列式

(1) 行列式的几何意义:

行列式的几何意义是面积或体积,它的用途很单一,就是判断奇异性,连正负号都不必关心。

(2) 行列式的计算方法:

计算行列式的最好方法还是行阶梯法,可以利用lu分解
                [L,U] = lu(A)
把A分解为一个准下三角矩阵L和一个上三角矩阵U的乘积。因为det(L) = 1,所以U和A的行列式相等。  

               det(A) = det(U)
而三角矩阵U的det(U)很好求。只要把U的主对角线元素连乘就可得到它的行列式。

 

实例:

>> A

A =

    10     8     6     4     1
     2     5     8     9     4
     6     0     9     9     8
     5     8     7     4     0
     9     4     2     9     1

>> [L U]=lu(A)

L =

    1.0000            0           0           0            0
    0.2000   -0.7083    1.0000           0            0
    0.6000    1.0000            0           0            0
    0.5000   -0.8333    0.8000   -0.2953    1.0000
    0.9000    0.6667   -0.6588    1.0000            0


U =

   10.0000    8.0000     6.0000     4.0000    1.0000
            0   -4.8000     5.4000     6.6000    7.4000
            0            0   10.6250    12.8750    9.0417
            0            0            0      9.4824    1.1235
            0            0            0             0   -1.2349

>> du=diag(U)

du =

   10.0000
   -4.8000
   10.6250
    9.4824
   -1.2349

>> result=prod(du)

result =

  5.9720e+003

>> 

 

用det求A的行列式值得到相同的结果:

>> det(A)

ans =

        5972

>> 

 

 

 

4、矩阵的秩和矩阵求逆

 

矩阵的秩:

(1) 按定义,矩阵的是矩阵A中行列式不等于零的最高阶子式的阶次。是用以衡量联立方程中有效方程数目的指数。
(2) 按照定义来计算矩阵的秩,可能遇到的问题也是子矩阵的数量很大,每个矩阵的行列式计算又非常麻烦,其计算量也将是不可接受的天文数字。
(3) 计算矩阵的秩的最好方法是行阶梯法,行阶梯化简后非全为零的行数就是该矩阵的秩。用MATLAB函数r=rank(A)可以检验A的秩,rank函数对A是否是方阵没有要求,即可以有m≠n。

 

矩阵求逆:

(1) 对于n×n方阵A,当r=n时,称A是满秩的,若r<n,必有det(A) = 0,称A是欠秩的或奇异的。奇异矩阵不可以求逆。 
(2) 矩阵求逆的最简单方法也是行阶梯化简,其方法是设定一个由A和I组成的增广矩阵C = [A,I],求C的简化行阶梯形式UC = rref([A,I]),得出UC = [I,V]。V就显示出这个逆矩阵的内容。

 

求逆实例:

>> A=[3 0 3 -6;5 -1 1 -5;-3 1 4 -9;1 -3 4 -4]

A =

     3     0     3    -6
     5    -1     1    -5
    -3     1     4    -9
     1    -3     4    -4

>> C=[A,eye(4)]

C =

     3     0     3    -6     1     0     0     0
     5    -1     1    -5     0     1     0     0
    -3     1     4    -9     0     0     1     0
     1    -3     4    -4     0     0     0     1

>> UC=rref(C)
%UC右边四列就是矩阵A的逆

UC =

    1.0000         0         0         0    0.2323   -0.0101   -0.1313   -0.0404
         0    1.0000         0         0    0.5354   -0.3131   -0.0707   -0.2525
         0         0    1.0000         0    0.5859   -0.4747   -0.1717    0.1010
         0         0         0    1.0000    0.2424   -0.2424   -0.1515    0.0303

>> V=UC(:,5:8)

V =

    0.2323   -0.0101   -0.1313   -0.0404
    0.5354   -0.3131   -0.0707   -0.2525
    0.5859   -0.4747   -0.1717    0.1010
    0.2424   -0.2424   -0.1515    0.0303

>> 

 

矩阵求逆命令:V=inv(A)

 

 

5、条件数—衡量奇异程度的量

(1) 在用数值方法计算矩阵的逆时,由于计算中的误差,人们不大可能得到理想的零合理想的全零行,所以矩阵是否奇异,并不是那么绝对的。
(2) 为了评价矩阵接近‘奇异’的程度,采用了‘条件数’(Condition Number)作为常用的衡量指标。它永远大于1。其数值愈接近于1,计算误差愈小。
(3) MATLAB中,条件数用cond(A)计算,它达到10的4次方以上时,求逆的误差就可能相当可观。像现在,条件数达到10的16次方(注:条件数是逆条件数RCOND的倒数),结果是根本不能用的。

 

6、用矩阵‘除法’解线性方程

 

(1) 如果m = n,则线性代数方程Ax = b中的A是方阵,设det(A)≠0,则它的逆阵存在。将上式左右同乘以inv(A) ,由于inv(A)*A = I,得到

X = inv(A)*b (1)

MATLAB创立了矩阵除法的概念,因为 inv(A)相当于将A放到分母上去,所以可以把上式写成

X = A \ b      (2)

‘\’就称为左除,因为inv(A)是乘在b的左方。

 

(2) 左除’\’解线性方程的扩展

左除‘\’的功能远远超过了矩阵求逆函数inv,inv(A)函数要求A必须是方阵,所以(1)式只能用来解‘适定’方程,而(2)式并不要求A为方阵,在A是m×n阶且m < n(欠定)时,它只要求A与b的行数相等且A的秩为m。所以(2)式也可以用来解欠定方程,在下例中可以看出。此外,运算符‘\’还能用来解超定方程。

 

例:左除’\’解欠定方程

>> A=[3,4,3,2,1;0,6,0,3,3;4,3,4,2,2;1,1,1,0,1;2,6,2,1,3]

A =

     3     4     3     2     1
     0     6     0     3     3
     4     3     4     2     2
     1     1     1     0     1
     2     6     2     1     3

>> b=[2;3;2;0;1]

b =

     2
     3
     2
     0
     1

>>  x=A\b
Warning: Matrix is singular to working precision.

x =

       NaN
       NaN
       Inf
    1.0000
    0.0000

>> 

 

得到x=inf,无解。改用行阶梯方法找有效行。左除要求的是系数矩阵的行数与秩相同

>> A

A =

     3     4     3     2     1
     0     6     0     3     3
     4     3     4     2     2
     1     1     1     0     1
     2     6     2     1     3

>> b

b =

     2
     3
     2
     0
     1

>> B=[A,b]

B =

     3     4     3     2     1     2
     0     6     0     3     3     3
     4     3     4     2     2     2
     1     1     1     0     1     0
     2     6     2     1     3     1

>> r=rank(B)

r =

     4

>> [UB,ip]=rref(B)

UB =

     1     0     1     0     0     0
     0     1     0     0     0     0
     0     0     0     1     0     1
     0     0     0     0     1     0
     0     0     0     0     0     0


ip =

     1     2     4     5

>> U0=UB(1:r,1:5)

U0 =

     1     0     1     0     0
     0     1     0     0     0
     0     0     0     1     0
     0     0     0     0     1

>> d=UB(1:4,6)

d =

     0
     0
     1
     0

>> x=U0\d

x =

     0
     0
     0
     1
     0

>> 

 

其中,x是此欠定方程的一个特解。

 

posted on 2010-07-10 18:16 erran 阅读(649) 评论(0)  编辑 收藏 引用

只有注册用户登录后才能发表评论。
网站导航: 博客园   IT新闻   BlogJava   知识库   博问   管理