- •Приложение 4. Элементарные математические функции
- •Приложение 5. Элементарные матрицы и операции над ними
- •Приложение 8. Анализ данных и преобразование Фурье
- •Справочник по базовым функциям
- •Общие свойства и возможности рабочего стола MATLAB
- •Клавиша
- •Действие
- •Рис. 3. Общий вид Окна Просмотра Рабочего Пространства
- •Операции с файлами
- •Дуальность (двойственность) команд и функций
- •Сложение и вычитание матриц
- •Векторное произведение и транспонирование матриц
- •Произведение матриц
- •Index exceeds matrix dimensions
- •Двоеточие (Colon)
- •Решение систем линейных уравнений
- •Квадратные системы
- •Переопределенные системы
- •Недоопределенные системы
- •Обратные матрицы и детерминанты
- •Псевдообратные матрицы
- •Степени матриц и матричные экспоненты
- •Положительные целые степени
- •Поэлементное возведение в степень
- •Вычисление корня квадратного из матрицы и матричной экспоненты
- •Диагональная декомпозиция
- •Дефектные матрицы
- •Сингулярное разложение матриц
- •Для матрицы
- •Полиномы и интерполяция
- •Полиномы и действия над ними
- •Обзор полиномиальных функций
- •Функция
- •Описание
- •Представление полиномов
- •Корни полинома
- •Вычисление значений полинома
- •Умножение и деление полиномов
- •Вычисление производных от полиномов
- •Аппроксимация кривых полиномами
- •Разложение на простые дроби
- •Интерполяция
- •Обзор функций интерполяции
- •Функции
- •Описание
- •2. Интерполяция на основе быстрого преобразования Фурье _
- •Основные функции обработки данных
- •Матрица ковариаций и коэффициенты корреляции
- •Конечные разности
- •Функция
- •Описание
- •Отсутствующие значения
- •Программа
- •Описание
- •Полиномиальная регрессия
- •Графический интерфейс подгонки кривых
- •Уравнения в конечных разностях и фильтрация
- •Многомерные Массивы
- •Создание Многомерных Массивов
- •Создание массивов с использованием индексации
- •Удаление поля из структуры
- •Создание функций для операций над массивами структур
- •Основные части синтаксиса М-функций
- •Комментарии
- •Как работает функция
- •Определение имени функции
- •Что происходит при вызове функцию
- •Распаковка содержимого функции varargin
- •Локальные и глобальные переменные
- •BETA = 0.02
- •Операторы
- •Описание
- •Операторы
- •Описание
- •Оператор
- •Описание
- •AND (логическое И)
- •OR (логическое ИЛИ)
- •NOT (логическое НЕ)
- •Использованием логических операторов с массивами
- •Функция
- •Описание
- •Примеры
- •Приложение 3. Операторы и специальные символы
- •Приложение 4. Элементарные математические функции
- •Приложение 5. Элементарные матрицы и операции над ними
- •Приложение 8. Анализ данных и преобразование Фурье
- •(Data analysis and Fourier transforms)
- •Примеры
- •Спецификаторы стилей линии
- •Спецификаторы
- •Стили линии
- •Спецификаторы цвета
- •Примеры
Дефектные матрицы
Для этой матрицы ввод [V, D] = eig(A) дает
0.8127 |
0.8165 |
0.8165 |
|
-0.3386 |
-0.4082 |
-0.4082 |
|
-1.0000 |
|
0 |
0 |
0 |
1.0000 |
0 |
|
0 |
|
0 |
1.0000 |
Некоторые матрицы не имеют спектрального разложения. Такие матрицы называются дефек- |
|||
тными или не диагонализируемыми. Например, пусть матрица А имеет вид |
|||
A = |
|
|
|
6 |
12 |
19 |
|
-9 |
-20 |
-33 |
|
4 |
9 |
15 |
|
V =
-0.4741 -0.4082 -0.4082
D =
Здесь имеются два положительных единичных кратных собственных значений. Второй и третий столбцы матрицы V являются одинаковыми и поэтому полного набора линейно-неза-
висимых собственных векторов не существует(и поэтому не существует обратная матрица
V-1).
Сингулярное разложение матриц
Сингулярным значением и соответствующими сингулярными векторами прямоугольной ма-
трицы A называются скаляр σ и пара векторов u и v такие, что удовлетворяются соотношения
Av = σu ATu = σv
Имея диагональную матрицу сингулярных чиселΣ и две ортогональные матрицыU и V, сформированные из соответствующих собственных векторов, можно записать
AV = U Σ
ATU = V Σ
Поскольку U и V являются ортогональными матрицами, это можно записать в виде сингуляр-
ного разложения
A = U ΣVT
Полное сингулярное разложение матрицыА размера mхn включает mхm матрицу U, mхn матрицу Σ, и nхn матрицу V. Другими словами, обе матрицы U и V являются квадратными , а матрица Σ имеет тот же размер, что и A. Если A имеет намного больше строк чем столбцов, результирующая матрица U может быть достаточно большой, но большинство ее столбцов умножаются на нули в Σ . В таких ситуациях может быть использована так называемая
39
экономичная декомпозиция, которая сберегает как время так и память, за счет вывода матрицы U размера mхn, матрицы Σ размера nхn и той же матрицы V.
Спектральное разложение является подходящим инструментом анализа матрицы, когда последняя осуществляет преобразование векторного пространства в себя, как это было в рассмотренном выше примере дифференциальных уравнений. С другой стороны, сингулярное разложение матриц удобно при отображении одного векторного пространства в другое, возможно с иной размерностью. Большинство систем совместных линейных уравнений относятся ко второй категории. Если матрица А является квадратной, симметричной и поло- жительно-определенной, то ее спектральное и сингулярное разложения совпадают. Но при отклонении A от симметричной и положительно-определенной матрицы, разница между двумя разложениями возрастает. В частности, сингулярное разложение действительной матрицы всегда действительно, но спектральное разложение действительной несимметричной матрицы может быть и комплексным.
Для матрицы
A =
9 |
4 |
6 |
8 |
2 |
7 |
полное сингулярное разложение задается в форме
[U,S,V] = svd(A)
и приводит к следующим результатам
U =
-0.6105 0.7174 0.3355 -0.6646 -0.2336 -0.7098 -0.4308 -0.6563 0.6194
S =
14.9359 |
0 |
|
0 |
5.1883 |
|
0 |
|
0 |
V =
-0.6925 0.7214 -0.7214 -0.6925
Вы можете убедиться, что матрица U*S*V' равна А с точностью до ошибок округления. Для этого примера экономичная декомпозиция дает незначительный эффект.
[U,S,V] = svd(A,0)
U =
-0.6105 0.7174 -0.6646 -0.2336 -0.4308 -0.6563
S =
14.9359 |
0 |
|
0 |
5.1883 |
V =
40