★ FEATURED ARTICLE 简介这份资源面向学习MATLAB数值计算与线性代数的学生和工程人员聚焦矩阵处理中的特征值、特征向量与对角化等核心问题适合作为课堂实验或自学练习的配套材料。压缩包内共1个doc文档约98KB内容以实验讲义形式组织涵盖特征多项式求解、eig函数求特征值与特征向量、实对称矩阵正交对角化、balance函数提高计算精度以及jordan函数求若当标准形等知识点并配有可直接运行的MATLAB代码示例与运算结果对照。文档还整理了trace、sum、prod、cdf2rdf等常用矩阵函数的用法说明便于读者在练习中随时查阅。目前已有727人学习下载可作为矩阵分析入门与实验报告的参考帮助读者理解特征值分解的数学原理并掌握相应MATLAB命令的调用方式。1. 矩阵处理到底在算什么从“找方向”说起很多人第一次听到“特征值与特征向量”脑子里冒出的是一堆符号和公式完全不知道它在生活里对应什么。其实可以这样理解你把一个矩阵想象成一台“变形机器”任何向量丢进去都会被拉伸、旋转、翻转。但总有那么几个特殊方向丢进去之后只被拉长或压短方向纹丝不动——这几个方向就是特征向量拉伸的倍数就是特征值。Matlab 矩阵处理里最核心的一块就是帮你把这几条“不动方向”和“拉伸倍数”找出来。搞懂这件事的价值在于矩阵对角化、若当标准形、实对称矩阵的正交分解全都建立在这个概念之上。你不需要手算行列式Matlab 的eig、jordan、balance这些函数已经把底层运算封装好了。但前提是你得知道每个函数在做什么、结果怎么读、什么时候会翻车。这篇就把这些概念用大白话拆开让你看完能分清eig和eigs的区别知道jordan为什么有时候“不灵”也明白balance到底在平衡什么。2. 特征值与特征向量Matlab 里到底怎么算、结果怎么读2.1 从特征多项式到poly和roots在 Matlab 里求特征值最“笨”但也最直观的路子是先算特征多项式。特征多项式的定义是 det(λI − A)其中 I 是单位阵λ 是符号变量。Matlab 提供了poly(A)直接返回多项式系数的向量形式。比如一个 2×2 矩阵poly会给你三个系数分别对应 λ²、λ¹ 和常数项。A [1 0; 2 3]; p poly(A); % 返回特征多项式系数向量 f poly2str(p, x); % 转成可读字符串形式poly返回的是数值向量poly2str只是把它排版成人类能读的表达式。如果你想知道特征值具体是多少还得对多项式求根用roots函数。这条路适合教学演示因为你能亲眼看到特征多项式长什么样。但实际工程里没人这么干——高阶矩阵的多项式求根数值稳定性很差Matlab 内部也不会用这条路去算eig。另一种更“数学”的写法是用符号变量直接算行列式syms x; E eye(2); f det(x*E - A); % 符号形式的特征多项式这样得到的是符号表达式适合推导和验证但不适合大规模数值计算。符号运算慢而且当矩阵阶数上去之后表达式会膨胀到没法看。2.2eig的三种返回形式与eigs的区别真正干活用的是eig。它有三种常见调用方式返回的东西不一样用途也不一样。第一种d eig(A)只返回一个列向量里面装着所有特征值。你只关心特征值大小、不关心特征向量时用这个。第二种[V, D] eig(A)返回两个矩阵。D 是对角矩阵主对角线上的元素就是特征值V 的每一列是对应的特征向量。满足的关系是 A·V V·D等价于 D V⁻¹AV。这就是矩阵对角化的核心等式。第三种[V, D] eigs(A)注意这里函数名多了个 s。eigs不是返回全部特征值而是按大小次序返回一部分通常用于大型稀疏矩阵。它底层用的是迭代法只算你指定的前 k 个。如果你对一个 10000×10000 的矩阵用eig它会试图算全部特征值内存和时间都可能爆掉用eigs指定算前 6 个就轻松很多。A [0 1 0 0; 1 0 0 0; 0 0 0 1; 0 0 1 0]; d eig(A); % 全部特征值列向量 [V, D] eig(A); % 特征向量矩阵 V 和特征值对角阵 D运行后你会发现特征值是 1、-1、1、-1有重根。D 的主对角线上按顺序排列V 的列向量对应每个特征值。这里有个细节当特征值有重根时eig返回的特征向量不一定是正交的甚至可能线性相关。如果你需要正交基得用实对称矩阵那条路后面会讲。2.3 结果怎么验证V^-1*A*V和符号化输出算出[V, D]之后怎么确认没算错最直接的办法是验算 V⁻¹AV 是否等于 D。在 Matlab 里可以写成V_inv inv(V); check V_inv * A * V; % 应该接近对角阵 D如果 A 可对角化check的非对角元素应该接近 0。但数值计算有浮点误差你可能会看到 10⁻¹⁵ 量级的小数那是正常的。有时候你希望看到精确的分数或根号形式而不是小数。这时可以把 V 转成符号类型V_sym sym(V); V_sym^-1 * A * V_sym这样输出就是分数和根号方便对照手算结果。但注意符号运算只适合小矩阵验证大矩阵会非常慢。提示eig返回的特征向量默认是归一化的但归一化方式不唯一。不同版本的 Matlab 可能在符号上差一个负号这不影响正确性。3. 对角化与若当标准形能对角化最好不能也别慌3.1 可对角化的条件与实对称矩阵的特殊待遇一个 n 阶方阵能不能对角化取决于它有没有 n 个线性无关的特征向量。如果特征值都是单根那一定可对角化如果有重根就要看重根对应的特征向量个数够不够。不够的话就只能退而求其次求若当标准形。实对称矩阵是个特例它一定可以对角化而且特征向量可以选成两两正交的。Matlab 的eig对实对称矩阵会自动返回正交矩阵 P满足 P⁻¹AP D而且 P⁻¹ 就等于 Pᵀ。这意味着你不需要求逆转置一下就行数值上更稳定。A [2 2 -2; 2 5 -4; -2 -4 5]; % 实对称矩阵 [P, D] eig(A); % P 是正交阵D 是对角阵这个性质在二次型化简里特别有用。二次型矩阵是实对称的对角化之后就得到了标准形P 就是变换矩阵。你不需要手动配方eig一步到位。3.2jordan函数与若当块的上三角定义当矩阵不能对角化时jordan(A)返回它的若当标准形 J。若当标准形长什么样对角线上是特征值对角线上方可能有 1形成一个个“块”。Matlab 里若当块是按上三角形定义的也就是说 1 出现在对角线上方而不是下方。A [-1 -2 6; -1 0 3; -1 -1 4]; J jordan(A);运行后 J 是一个上三角矩阵对角线上是特征值某些位置有 1。这些 1 的位置和个数反映了矩阵的“缺陷程度”——也就是特征向量不够用的程度。但jordan有个血泪经验它对数值误差极其敏感。稍微扰动一下矩阵元素若当块结构就可能完全改变。所以实际工程里除非你确定矩阵是精确的符号矩阵或者小整数矩阵否则不要轻易依赖jordan的数值结果。它更适合教学和理论验证不适合处理实验测得的浮点数据。3.3 复对角矩阵转实对角cdf2rdf在做什么实矩阵的特征值可能是复数而且成共轭对出现。eig返回的 D 可能是复对角阵对角线上有 abi 和 a−bi。如果你希望保持实数运算可以用cdf2rdf把复对角阵转成实块对角阵。A [0 2 1; -2 0 3; -1 -3 0]; [v, d] eig(A); % d 是复对角阵 [V, D] cdf2rdf(v, d); % D 是实块对角阵转换之后D 的对角线上不再是复数而是 2×2 的实数块。每个 2×2 块对应一对共轭特征值。这样做的好处是后续计算全在实数域进行避免复数运算带来的额外开销和精度问题。注意cdf2rdf只对实矩阵有意义。如果原矩阵本身就是复矩阵这个转换不适用。4. 常见误区与易混概念别把这几组函数搞混了4.1eig和eigs一个算全部一个算部分最容易混的就是这两个。名字只差一个字母行为差很远。eig算全部特征值适合中小型稠密矩阵eigs算部分特征值适合大型稀疏矩阵。如果你对一个 5000×5000 的稀疏矩阵用eigMatlab 会试图算 5000 个特征值内存直接吃满。用eigs(A, 6)只算前 6 个几秒钟就出结果。区分方法很简单看矩阵大小和稀疏性。小矩阵、需要全部特征值用eig大矩阵、只关心最大或最小的几个用eigs。4.2poly和polyfit名字像用途完全不同poly是求特征多项式系数的输入是方阵输出是系数向量。polyfit是多项式拟合输入是数据点输出是拟合系数。两者都和“多项式”有关但一个服务于矩阵特征值一个服务于数据拟合。初学者看到poly容易联想到拟合这是典型的望文生义。区分方法看输入。输入是方阵用poly输入是 x 和 y 数据向量用polyfit。4.3jordan的数值陷阱理论成立不等于数值可靠理论上任何方阵都有若当标准形但数值上jordan可能给你一个完全错误的结果。原因在于若当块结构对扰动极其敏感。一个特征值接近重根的矩阵在浮点误差下可能被判定为可对角化也可能被判定为有若当块结果不稳定。区分方法如果矩阵元素是精确整数或符号jordan可信如果矩阵来自实验测量或浮点计算不要依赖jordan的结构只看特征值就够了。4.4balance不是“平衡方程”而是缩放矩阵balance(A)返回一个相似变换矩阵 T 和平衡矩阵 B使得 B T⁻¹AT。它的作用是缩放矩阵的行和列让各行各列的范数尽量接近从而提高特征值计算的精度。它不是用来解平衡方程的也不是用来做物理平衡的。区分方法看到balance出现在特征值计算上下文里就知道它在做矩阵缩放目的是数值稳定。4.5trace和sum迹是特征值之和但sum不一定是trace(A)返回矩阵的迹等于主对角线元素之和也等于所有特征值之和。sum(A, dim)是元素求和dim1 按列求和dim2 按行求和。sum(sum(A,1),2)才是所有元素之和。初学者容易把trace和sum混为一谈尤其是在验证特征值之和等于迹的时候。区分方法trace只针对方阵结果是标量sum对任意矩阵都行结果可能是向量。5. 什么时候用、什么时候别用一个具体例子和边界判断假设你手头有一个 3×3 的实对称矩阵来自某个物理系统的刚度矩阵你想知道它的特征值和特征向量用来判断系统的振动模态。这时候eig是最合适的选择因为实对称矩阵保证正交对角化数值稳定结果可靠。A [2 2 -2; 2 5 -4; -2 -4 5]; [P, D] eig(A); % P 的列是振动模态D 的对角线是频率平方但如果你面对的是一个 20000×20000 的稀疏矩阵来自有限元分析你只关心前 10 个最小特征值。这时候绝对不能用eig必须用eigs(A, 10, sm)其中sm表示 smallest magnitude。否则内存和时间都扛不住。再比如你有一个矩阵特征值有重根你想知道它能不能对角化。这时候不要直接上jordan因为数值结果可能骗你。更稳妥的做法是检查特征向量的秩用[V, D] eig(A)然后看rank(V)是否等于矩阵阶数。如果等于说明有足够多的线性无关特征向量可对角化如果小于说明不能对角化若当块存在。还有一个场景你算完特征值发现结果里有很小的虚部比如 1.0000 0.0000i。这通常是浮点误差不是真的复数特征值。可以用real函数取实部或者用cdf2rdf转成实块对角阵。提示判断特征值是否为实数不要看虚部是否严格为零而是看虚部是否小于某个容差比如abs(imag(d)) 1e-10。从那以后我每次用eig之前都会先问自己三个问题矩阵是稠密还是稀疏需要全部特征值还是前几个矩阵有没有特殊结构对称、三角、稀疏这三个问题决定了用eig还是eigs用不用balance以及结果怎么验证。希望帮到你。本文还有配套的精品资源点击获取
阅读完成 · 觉得有帮助？
