matlab中的矩阵与向量运算

4.1 数组运算和矩阵运算
从外观形状和数据结构来看,二维数组和数学中的矩阵没有区别.但是,矩阵作为一种变换或映射算符的体现,矩阵运算有着明确而严格的数学规则.而数组运算是 MATLAB软件所定义的规则,其目的是为了数据管理方面,操作简单,指令形式自然和执行计算有效.所以,在使用MATLAB时,特别要明确搞清数组运算和矩阵运算的区别.表4.1.1列出了两种运算指令形式的实质内涵的异同.
4.1.1 数组运算和矩阵运算指令形式和实质内涵
数组运算
矩阵运算
指令
含义
指令
含义
A.'
非共轭转置
A'
共轭转置
A=s
把标量s赋给数组A的每个元素
s+B
把标量s分别与数组B的每个元素相加
s-B, B-s
标量s分别与数组B的元素之差
s.*A
标量s分别与数组A的元素之积
s*A
标量s分别与矩阵A的元素之积
s./B, B./s
标量s分别被数组B的元素除
s*inv(B)
矩阵B的逆乘标量s
A.^n
数组A的每个元素的n次方
A^n
A为方阵时,矩阵A的n次方
A+B
数组对应元素的相加
A+B
矩阵相加
A-B
数组对应元素的相减
A-B
矩阵相减
A.*B
数组对应元素的相乘
A*B
内维相同矩阵的乘积
A./B
A的元素被B的对应元素除
A/B
A右除B
B./A
一定与上相同
B/A
A左除B(一般与右除不同)
exp(A)
以e为底,分别以A的元素为指数,求幂
expm(A)
A的矩阵指数函数
log(A)
对A的各元素求对数
logm(A)
A的矩阵对数函数
sqrt(A)
对A的积各元素求平方根
sqrtm(A)
A的矩阵平方函数
从上面可以看到,数组运算的运算如:乘,除,乘方,转置,要加"点".所以,我们要特别注意在求"乘,除,乘方,三角和指数函数"时,两种运算有着根本的区别.另外,在执行数组与数组运算时,参与运算的数组必须同维,运算所得的结果数组也是总与原数组同维.
4.2 数组的基本运算
在MATLAB中,数组运算是针对多个数执行同样的计算而运用的.MATLAB以一种非常直观的方式来处理数组.
4.2.1 点转置和共轭转置
. ' —— 点转置.非共轭转置,相当于conj(A').
>> a=1:5;
>> b=a. '
b =
1
2
3
4
5
>> c=b. '
c =
1 2 3 4 5
这表明对行向量的两次转置运算便得到原来的行向量.
' —— 共轭转置.对向量进行转置运算并对每个元素取其共轭.如:
>> d=a+i*a
d =
Columns 1 through 3
1.0000 + 1.0000i 2.0000 + 2.0000i 3.0000 + 3.0000i
Columns 4 through 5
4.0000 + 4.0000i 5.0000 + 5.0000i
>> e=d'
e =
1.0000 - 1.0000i
2.0000 - 2.0000i
3.0000 - 3.0000i
4.0000 - 4.0000i
5.0000 - 5.0000i
4.2.2 纯量 (标量) 和数组的四则运算
纯量和数组之间可以进行简单数学运算.如:加,减,乘,除及其混合运行.
>> g=[1 2 3 4
5 6 7 8
9 10 11 12]
>> g=g-2
g =
-1 0 1 2
3 4 5 6
7 8 9 10
>> 2*g-1
ans =
-3 -1 1 3
5 7 9 11
13 15 17 19
4.2.3 数组间的四则运算
在MATLAB中,数组间进行四则运算时,参与运算的数组必须具有相同的维数,加,减,乘,除运算是按元素与元素的方式进行的.其中,数组间的加,减运算与矩阵的加,减运算要同,运算符为:"+","-".但是,数组间的乘,除运算与矩阵间的乘,除运算完全不同,运算符号也有差别,数组间的乘,除运算符为:".*","./"或"./".
1. 数组按元素相加,减

>> g=[1 2 3 4
5 6 7 8
9 10 11 12]
>> h=[1 1 1 1; 2 2 2 2; 3 3 3 3]
>> g+h % 按元素相加
ans =
2 3 4 5
7 8 9 10
12 13 14 15
>> ans-h % 按元素相减
ans =
1 2 3 4
5 6 7 8
9 10 11 12
>> 2*g-h % 混合运算
ans =
1 3 5 7
8 10 12 14
15 17 19 21
2. 按元素乘
>> g.*h
ans =
1 2 3 4
10 12 14 16
27 30 33 36
3. 按元素除
数组间的除法运算符有两个,即左除:"./"和右除:"./",它们之间的关系是:
a./b=b./a
>> g./h
ans =
1.0000 2.0000 3.0000 4.0000
2.5000 3.0000 4.1000 4.0000
3.0000 3.3333 3.6667 4.0000
>> h./g
ans =
1.0000 2.0000 3.0000 4.0000
2.5000 3.0000 4.1000 4.0000
3.0000 3.3333 3.6667 4.0000
4.2.4 幂运算
在MATLAB中,数组的幂运算的运算为:".^",表示每一个元素进行幂运算.
>> g.^2 % 数组g每个元素的平方
ans =
1 4 9 16
25 36 49 64
81 100 121 144
>> g.^(-1) % 数组g的每个元素的倒数
ans =
1.0000 0.5000 0.3333 0.2500
0.2000 0.1667 0.1429 0.1250
0.1111 0.1000 0.0909 0.0833
>> 2.^g % 以g的每个元素为指数对2进行乘方运算
ans =
2 4 8 16
32 64 128 256
512 1024 2048 4096
>> g.^h % 以h的每个元素为指数对g中相应元素进行乘方运算
ans =
1 2 3 4
25 36 49 64
729 1000 1331 1728
>> g.^(h-1)
ans =
1 1 1 1
5 6 7 8
81 100 121 144
4.2.5 数组的指数,对数和开方运算
在MATLAB中,所谓数组的运算实质是是数组内部每个元素的运算,因此,数组的指数,对数和开方运算与标量的运算规则完全是一样的,运算符函数分别为:exp( ),log( ),sqrt( )等.
>> a=[1 3 4;2 6 5;3 2 4];
>> c=exp(a)
c =
2.7183 20.0855 54.5982
7.3891 403.4288 148.4132
20.0855 7.3891 54.5982
>>
数组的对数,开方运算与数组的指数运算,其方式完全一样,这里不详述.
4.3 向量运算
对于一行或一列的矩阵,为向量,MATLAB有专门的函数来进行向量点积,叉积和混合积的运算.
4.3.1 向量的点积运算
在高等数学中,我们知道,两向量的点积指两个向量在其中一个向量方向上的投影的乘积,通常用来定义向量的长度.在MATLAB中,向量的点积用函数"dot"来实现,其调用格式如下:
C=dot(A,B) —— 返回向量A与B的点积,结果存放于C中.
C=dot(A,B, DIM) —— 返回向量A与B在维数为DIM的点积,结果存放于C中.
>> A=[2 4 5 3 1];
>> B=[3 8 10 12 13];
>> C=dot(A,B)
C =
137
>> C=dot(A,B,4)
C =
6 32 50 36 13
4.3.2 向量的叉积运算
在高等数学中,我们知道,两向量的叉积返回的是与两个向量组成的平面垂直的向量.在MATLAB中,向量的点积用函数"cross"来实现,其调用格式如下:
C=cross(A,B) —— 返回向量A与B的叉积,即:,结果存放于C中.
C=cross(A,B, DIM) —— 返回向量A与B在维数为DIM的叉积,结果存放于C中.
>> A=[2 4 5];
>> B=[3 8 10];
>> C=cross(A,B)
C =
0 -5 4
4.3.3 向量的混合运算
>> D=dot(A, cross(B,C))
D =
41
上例表明,首先进行的是向量B与C的叉积运算,然后再把叉积运算的结果与向量A进行点积运算.
4.4 矩阵的基本运算
如果说MATLAB的最大特点是强大的矩阵运算功能,此话毫不为过.事实上,MATLAB中所有的计算都是以矩阵为基本单元进行的.MATLAB对矩阵的运算功能最全面,也是最为强大的.矩阵在形式上与构造方面是等同于前面所述的数组的,当其数学意义却是完全不同的.
矩阵的基本运算包括矩阵的四则运算,矩阵与标时的运算,矩阵的幂运算,指数运算,对数运算,开方运算及以矩阵的逆运算,行列式运算等.
4.4.1 矩阵的四则运算
矩阵的四则运算与前面介绍的数组的四则运算基本相同.但也有一些差别.
1. 矩阵的加减
矩阵的加,减与数组的加,减是完全相同的,运算时要求两矩阵的大小完全相同.
>> a=[1 2; 3 5; 2 6];
>> b=[2 4; 1 8; 9 0];
>> c=a+b
c =
3 6
4 13
11 6
2. 矩阵的相乘
对于矩阵的乘法,从线性代数中,我们知道,要求进行相乘的两矩阵有相同的公共维.如:
>> a=[1 2; 3 5; 2 6];
>> b=[2 4 1; 8 9 0];
>> c=a*b
c =
18 22 1
46 57 3
52 62 2
设A矩阵为一个阶的矩阵,则要求与之相乘的B矩阵必须是一个阶,得到矩阵是阶的.即,只有当第一个矩阵 (左矩阵) 的列数等于第二个矩阵 (右矩阵) 的行数时,两个矩阵的乘积才有意义.
3. 矩阵的除法
对于矩阵的除法有两个运算符号,分别为左除符号"/"和右除符号"/".矩阵的右除运算速度要慢一点,而左除运算可以避免奇异矩阵的影响.
对于方程,若此方程为超定的方程,则使用除法可以自动找到使的平方最小化的解.若此方程为不定方程,则使用除法运算符至少求得的解至多有rank(A) (矩阵A的秩)个非零元素,而且求得的解是这种类型的解中范数最小的一个.
>> a=[21 34 20; 5 78 20; 21 14 17; 34 31 38];
>> b=[10 20 30 40]';
>> x=b/a
x =
0.7667 1.1867 0.8767
上面方程是超定方程.要注意的:结果矩阵x是列向量形式.如果,
>> a=[21 34 20 5; 78 20 21 14; 17 34 31 38];
>> b=[10 20 30]';
>> x=b/a
x =
1.6286 1.2571 1.1071 1.0500
上面的方程为不定方程.
4. 矩阵与标量间的四则运算
矩阵与标量的四则运算和数组与标量间的四则运算完全相同,即矩阵中的每个元素与标量进行加,减,乘,除四则运算.需要说明的是,当进行除法运算时,标量只能做除数.
5. 矩阵的幂运算
矩阵的幂运算与标量的幂运算不同.用符号"^",它不是对矩阵的每个元素进行幂运算,而是与矩阵的某种分解有关.
>> b=[21 34 20; 78 20 21; 17 34 31];
>> c=b^2
c =
3433 2074 1754
3555 3766 2631
3536 2312 2015
6. 矩阵的指数,对数运算与开方运算
矩阵的指数运算,对数运算与开方运算与数组相应的运算是不同的.它并不是对矩阵中的单个元素的运算,而是对整个矩阵的运算.这些运算函数如下:
expm, expm1, expm2, expm3 —— 指数运算函数;
logm —— 对数运算函数;
sqrtm —— 开方运算函数.
>> a=[1 3 4; 2 6 5; 3 2 4];
>> c=expm(a)
c =
1.0e+004 *
0.4668 0.7694 0.9200
0.7919 1.3065 1.5613
0.4807 0.7919 0.9475
>> c=logm(a)
c =
0.5002 + 2.4406i 0.5960 - 0.6800i 0.7881 - 1.2493i
0.4148 + 0.4498i 1.4660 - 0.1253i 1.0108 - 0.2302i
0.5780 - 1.6143i 0.4148 + 0.4498i 1.0783 + 0.8263i
>> c=sqrtm(a)
c =
0.6190 + 0.8121i 0.8128 - 0.2263i 1.1623 - 0.4157i
0.3347 + 0.1497i 2.3022 - 0.0417i 1.1475 - 0.0766i
1.0271 - 0.5372i 0.3347 + 0.1497i 1.6461 + 0.2750i
7. 矩阵的转置,逆运算与行列式运算
矩阵的转置的运算符为"'".求逆用运算函数:inv( ).而用函数:det( )则可求的矩阵行列式的大小.
>> a=[1 2 0; 2 5 -1; 4 10 -1];
>> c=a'
c =
1 2 4
2 5 10
0 -1 -1
>> b=inv(a)
b =
5 2 -2
-2 -1 1
0 -2 1
>> d=det(a)
d =
1
4.5 矩阵的特殊运算
矩阵的特殊运算包括矩阵特征值运算,条件数运算,奇异值运算,范数运算,秩运算,正交化运算,迹运算,伪逆运算等,这些运算,MATLAB都可以非常方便地给出.
4.5.1 矩阵的特征值运算
在线性代数中,计算矩阵的特征值过程相当复杂.而在MATLAB中,矩阵特征值运算只需用函数"eig( )"或"eigs( )"计算即可得到.其使用格式如下.
E=eig(X) —— 生成由矩阵X的特征值所组成的一个列向量;
[V,D]=eig(X) —— 生成两个矩阵V和D,其中V是以矩阵X的特征向量作为列向量组成的矩阵,D是由矩阵X的特征值作为主对角线元素构成的对角矩阵.
eigs( )函数使用迭代法求解矩阵的特征值和特征向量.
D=eigs(X) —— 生成由矩阵X的特征值所组成的一个列向量.X必然是方阵,最好是大型稀疏矩阵;
[V,D]=eigs(X) —— 生成两个矩阵V和D,其中V是以矩阵X的特征向量作为列向量组成的矩阵,D是由矩阵X的特征值作为主对角线元素构成的对角矩阵.
>> a=[1 2 0; 2 5 -1; 4 10 -1];
[b,c]=eig(a)
b =
-0.2440 -0.9107 0.4472
-0.3333 0.3333 0.0000
-0.9107 -0.2440 0.8944
c =
3.7321 0 0
0 0.2679 0
0 0 1.0000
4.5.2 矩阵 (向量) 的范数运算
为了反映了矩阵 (向量) 某些特性,线性代数中引入了范数的概念,它分为2-范数,1-范数,无穷范数和Frobenius范数等.在MATLAB中,用函数norm( )或normest( ) 计算矩阵 (向量) 的范数.其使用格式如下.
norm(X) —— 计算矩阵 (向量) X的2-范数;
norm(X,2) —— 同上;
norm(X,1) —— 计算矩阵 (向量) X的1-范数;
norm(X,inf) —— 计算矩阵 (向量) X的无穷范数;
norm(X,'fro') —— 计算矩阵 (向量) X的Frobenius范数;
normest(X) —— 只计算矩阵 (向量) X的2-范数;并且是2-范数的估计值,适用于计算norm(X)比较费时的情况.
>> X=hilb(4)
X =
1.0000 0.5000 0.3333 0.2500
0.5000 0.3333 0.2500 0.2000
0.3333 0.2500 0.2000 0.1667
0.2500 0.2000 0.1667 0.1429
>> norm(4)
ans =
4
>> norm(X)
ans =
1.5002
>> norm(X,2)
ans =
1.5002
>> norm(X,1)
ans =
2.0833
>> norm(X,inf)
ans =
2.0833
>> norm(X,'fro')
ans =
1.5097
>> normest(X)
ans =
1.5002
4.5.3 矩阵的条件数运算
矩阵的条件数是判断矩阵"病态"程度的一个量值,矩阵A的条件数越大,表明A越"病态",反之,表明A越"良态".如Hilbert矩阵就是一个有名的病态矩阵.
cond(X) —— 返回矩阵X的2-范数的条件数;
cond(X, P) —— 返回矩阵X的P-范数的条件数,其中P为1,2,inf或fro;
rcond(X) —— 用于计算矩阵条件数的倒数值,当矩阵X为"病态"时,rcond(X)就接近0,X为"良态"时,rcond(X)就接近1.
condest(X) —— 计算关于矩阵X的1-范数的条件数的估计值.
>> M=magic(3)
M =
8 1 6
3 5 7
4 9 2
>> H=hilb(4)
H =
1.0000 0.5000 0.3333 0.2500
0.5000 0.3333 0.2500 0.2000
0.3333 0.2500 0.2000 0.1667
0.2500 0.2000 0.1667 0.1429
>> c1=cond(M)
c1 =
4.3301
>> c2=cond(M)
c2 =
4.3301
>> c3=rcond(M)
c3 =
0.1875
>> c4=condest(M)
c4 =
5.3333
>> h1=cond(H)
h1 =
1.5514e+004
>> h2=cond(H,inf)
h2 =
2.8375e+004
>> h3=rcond(H)
h3 =
3.5242e-005
>> h4=condest(H)
h4 =
2.8375e+004
从上计算可以看出,魔方矩阵比较"良态",而Hilbert矩阵是"病态"的.
4.5.4 矩阵的秩
秩是线性代数中的相当重要的概念之一,通常矩阵可以经过初等行列式或列变换,将其转化为行阶梯形矩阵,而行阶梯矩阵所包含非零行的行数是一个定的,这个确定的非零行的行数就是矩阵的秩.矩阵中的秩用函数rank( )来计算.
>> T=rand(6)
T =
0.9501 0.4565 0.9218 0.4103 0.1389 0.0153
0.2311 0.0185 0.7382 0.8936 0.2028 0.7468
0.6068 0.8214 0.1763 0.0579 0.1987 0.4451
0.4860 0.4447 0.4057 0.3529 0.6038 0.9318
0.8913 0.6154 0.9355 0.8132 0.2722 0.4660
0.7621 0.7919 0.9169 0.0099 0.1988 0.4186
>> r=rank(T)
r =
6
由上计算可知,矩阵T为满秩矩阵.
>> T1=[1 1 1; 2 2 3]
T1 =
1 1 1
2 2 3
>> r=rank(T1)
r =
2
由上计算可知,矩阵T1为行满秩矩阵.