張智星 jang@cs.nthu.edu.tw http://www.cs.nthu.edu.tw/~jang 清大資工系 多媒體檢索實驗室 MATLAB 程式設計進階篇 線性代數 張智星 jang@cs.nthu.edu.tw http://www.cs.nthu.edu.tw/~jang 清大資工系 多媒體檢索實驗室

6-1 反矩陣與行列式 反矩陣： 一個矩陣 A 的反矩陣可表示成 A-1，它可滿足下列恆等式： 只有在 A 為方陣時，A-1 才存在。 6-1 反矩陣與行列式 反矩陣： 一個矩陣 A 的反矩陣可表示成 A-1，它可滿足下列恆等式： 只有在 A 為方陣時，A-1 才存在。 若 A-1 不存在，則 A 稱為 Singular

6-1 反矩陣與行列式 inv： MATLAB 的 inv 指令可用於計算反矩陣 範例6-1：inv01.m 6-1 反矩陣與行列式 inv： MATLAB 的 inv 指令可用於計算反矩陣 範例6-1：inv01.m 結果： B = 4.0000 -6.0000 4.0000 -1.0000 -6.0000 14.0000 -11.0000 3.0000 4.0000 -11.0000 10.0000 -3.0000 -1.0000 3.0000 -3.0000 1.0000 A = pascal(4); % 產生 4x4 的 Pascal 方陣 B = inv(A)

6-1 反矩陣與行列式 inv： 若矩陣 A 為 Singular （即其反矩陣不存在），則在使用 inv 指令時，會產生警告訊息 6-1 反矩陣與行列式 inv： 若矩陣 A 為 Singular （即其反矩陣不存在），則在使用 inv 指令時，會產生警告訊息 範例6-2：inv02.m 結果： A = [1 2 3; 4 5 6; 7 8 9]; B = inv(A)

6-1 反矩陣與行列式 det： 欲計算矩陣 A 的行列式，可用 det 指令 範例6-3：det01.m 結果： d = 29 6-1 反矩陣與行列式 det： 欲計算矩陣 A 的行列式，可用 det 指令 範例6-3：det01.m 結果： d = 29 A = [1 3 4; -3 -4 -1; 2 2 5]; d = det(A)

6-1 反矩陣與行列式 由 Crammer Rule 可知矩陣 A 的行列式和反矩陣有下列關係式： 6-1 反矩陣與行列式 由 Crammer Rule 可知矩陣 A 的行列式和反矩陣有下列關係式： 其中 代表 Ａ 的行列式， 代表 Ａ 的 Adjoint Matrix

6-1 反矩陣與行列式 若 A 為整數矩陣，則 乘上 必為整數矩陣，可驗証如下： 範例6-4：det02.m 結果： 6-1 反矩陣與行列式 若 A 為整數矩陣，則 乘上 必為整數矩陣，可驗証如下： 範例6-4：det02.m 結果： A = [1 3 4; -3 -4 -1; 2 2 5]; det(A)*inv(A)

6-1 反矩陣與行列式 若將 inv(A) 以有理形式 （Rational Format，即分子和分母都是整數的分數）來表示，亦可察覺出它和行列式的關係 從這裡可以很明顯的看出，inv(A) 中每個元素的分母值，就是 det(A) 範例6-5：det03.m 結果： A = [1 3 4; -3 -4 -1; 2 2 5]; format rat % 以有理形式表示數值 inv(A) format short % 改回預設的數值表示形式

6-2 固有值與固有向量 固有值分解（Eigenvalue Decomposition）： 6-2 固有值與固有向量 固有值分解（Eigenvalue Decomposition）： 一個方陣 A 的固有向量（Eigenvector） 與固有值 （Eigenvalue） 的關係式如下： 上式可化簡成 由於 不是一個零向量，因此 必須是 Singular，上式才會有解。當 是 Singular 時，其行列式為零：

6-2 固有值與固有向量 若 A 為 n×n 的矩陣，則上式為 的 n 次多項式 ，代表 將有 n 個解 ,…, ，滿足下列關係式： 或可寫成矩陣形式： 其中 如果 X-1 存在，則由上式可得

6-2 固有值與固有向量 eig： MATLAB 的 eig 指令可用於計算矩陣的固有值及固有向量。若只想計算固有值時，可輸入如下： 6-2 固有值與固有向量 eig： MATLAB 的 eig 指令可用於計算矩陣的固有值及固有向量。若只想計算固有值時，可輸入如下： 範例6-6：eig01.m 結果： A = magic(5); lambda = eig(A)

6-2 固有值與固有向量 若要同時計算固有值及固有向量，須提供兩個輸出引數 範例6-7：eig02.m 結果： A = magic(5); 6-2 固有值與固有向量 若要同時計算固有值及固有向量，須提供兩個輸出引數 範例6-7：eig02.m 結果： A = magic(5); [X, D] = eig(A)

6-3 奇異值與奇異向量 奇異值分解： 一個矩陣 A 與其奇異值（Singular Value） 及奇異向量（Singular Vectors）u 與 v 之間存在下列的關係式： 若將所有的行向量 u 並排成矩陣 U，所有的行向量 v 並排成矩陣 V。則上式可寫成： 其中 Σ 的主對角線即是對應的 值，其餘元素為零

6-3 奇異值與奇異向量 若 A 的維度是 m×n，則 U、Σ、V 的維度分別是 m×m、m×n 以及 n×n。一般而言，U 和 Ｖ 均是 Unitary 矩陣（即矩陣內的行向量均兩兩相互垂直，且行向量的長度均為 1），滿足下列條件： 因此矩陣 A 可寫成： 上式稱為奇異值分解（Singular Value Decomposition）

6-3 奇異值與奇異向量 svd： svd 指令可用於計算矩陣的奇異值及奇異向量 範例6-8：svd01.m 結果： 6-3 奇異值與奇異向量 svd： svd 指令可用於計算矩陣的奇異值及奇異向量 範例6-8：svd01.m 結果： A = [3 5; 4 7; 2 1; 0 3]; [U, S, V] = svd(A)

6-3 奇異值與奇異向量 若 A 為 m×n 的矩陣且 m >> n，則我們可在原先的 svd 指令加入另一個輸入引數 0，使其產生的 U 及 S 矩陣具有較小的維度 範例6-9：svd02.m 結果： A = [3 5; 4 7; 2 1; 0 3]; [U, S, V] = svd(A, 0)

6-4 聯立線性方程式 聯立線性方程式： 線性代數中最重要的問題，即是解決聯立線性方程式。一組線性方程式可用矩陣表示如下： AX = B 其中 A、B 是已知矩陣，而 X 則是未知矩陣

6-4 聯立線性方程式 聯立線性方程式： 為簡化起見，我們可以假設 A、X、B 的維度分別是 m×n、n×1、m×1，其中 m 代表方程式的數目，n 則是未知數的數目，可分成三種情況： 若 m = n，則方程式的個數和未知數的個數相等，通常會有一組解滿足 AX = B 若 m > n，則方程式的個數大於未知數的個數，通常無一解可滿足 AX = B，但我們可轉而求取最小平方解（Least-Squares Solution）X，使得 為最小值 若 m < n，則方程式的個數小於未知數的個數，通常有無限多組解可滿足 AX = B，我們可尋求一基本解（Basic Solution）X，使得 X 最少包含 m-n 個零元素

6-4 聯立線性方程式 斜線和反斜線運算： MATLAB 提供一個反斜線運算（Back Slash Operator，即「\」）使得 X=A\B 能滿足上述三種情況 反斜線運算又稱「左除」（Left Division） MATLAB 也提供了斜線運算（Slash Operator，即「/」） 用以對付 XA = B 的方程組。

6-4 聯立線性方程式 整理：MATLAB 常用的數學函數 在上表中，欲解 AX = B 或 XA = B，我們可以想像在等號兩邊各除以 A，並依 A 的位置分別取用「左除」或「右除」

6-4 聯立線性方程式 斜線和反斜線運算： 範例6-10：leftDiv01.m A = vander(1:3); 結果： X = 1.0000 2.0000 3.0000 A = vander(1:3); B = [6; 11; 18]; X = A\B >> A*X – B Ans = 0 0 0

6-4 聯立線性方程式 斜線和反斜線運算： 當 m > n 時，「左除」可以找到最小平方解 範例6-11：leftDiv02.m 結果： X = 1.0000 1.0000 在上例中，我們有 3 個方程式，但卻只有 2 個未知數，此 3 個方程式在 x-y 平面並未交於一點，故嚴格地說，此方程組無解，而 MATLAB“左除”找到的 X 為最小平方解，使得 為最小 A = [2 -1; 1 -2; 1 1]; B = [2; -2; 1]; X = A\B

6-4 聯立線性方程式 斜線和反斜線運算： 當 m < n 時，「左除」可以找到最小平方解 範例6-12：leftDiv03.m 結果： X = -3.0000 0 3.3333 A = [1 2 3; 4 5 6]; B = [7; 8]; X = A\B

6-5 本章指令彙整 與線性代數相關的函式，彙整如下：

6-5 本章指令彙整 與線性代數相關的函式，彙整如下：

6-5 本章指令彙整 與線性代數相關的函式，彙整如下：