中科院矩阵分析chapt3

中科院矩阵分析与应用大作业实现LU分解 QR分解 Householder reduction、Givens reductionMatlab 代码：function [] =juzhendazuoyeA=input('请输入一个矩阵A=');x=input('请输入序号 1 LU分解 2 Gram-Schmidt分解 3 Householder reduction 4 Givens reduction:' );if(x==1)%%*************LU分解*****************%%disp('PA=LU')m=size(A,1); % m等于矩阵A的行数n=size(A,2); % n等于矩阵A的列数if(m==n) % 判断矩阵A是不是方阵% 如果矩阵A不是方阵那么就输出“error”U=A; % 把矩阵A赋值给矩阵UL=zeros(n); % 先将L设为单位阵P=eye(n); % 首先将交换矩阵P设为单位矩阵for j=1:n-1for i=j+1:nif (U(j,j)~=0) %判断主元元素是否不为0L(i,j)=U(i,j)/U(j,j);U(i,:)=U(i,:)-U(j,:)*U(i,j)/U(j,j); % U(j,j)为主元元素elsea=j+1; % 令a等于j+1while((U(a,j)==0)&&(a<n)) % 判断主元元素所对的下一行元素是不是0，a是否小于na=a+1; % 寻找下一个元素endtemp=U(j,:); % 判断主元元素所在列（除主元元素外）第一个不为零的元素的所在行与主元元素所在行进行行交换U(j,:)=U(a,:); % U两行交换位置U(a,:)=temp ;m=L(j,:);L(j,:)=L(a,:); % L矩阵两行交换位置L(a,:)=m;q=P(j,:);P(j,:)=P(a,:); % 交换矩阵的两行交换P(a,:)=q;L(i,j)=U(i,j)/U(j,j);U(i,:)=U(i,:)-U(j,:)*U(i,j)/U(j,j);endendendfor k=1:nL(k,k)=1; % 把L矩阵的对角线赋值为1endL % 输出下三角矩阵LU % 输出上三角矩阵UP % 输出交换矩阵PA=inv(P)*L*Uelse disp('error')endendif(x==2) %% 判断如果x=2，那么将执行schmid分解%%**************Gram-Schmidt正交分解*****************%%disp('A=Q*R')Q=zeros(size(A,1),size(A,2)); %% 先把Q设为全零矩阵R=zeros(size(A,2)); %% R设置为全零矩阵a=A(:,1); %% 把第一列赋值给aR(1,1)=norm(a); %% 求第一列列向量的模值a=a/norm(a); %% 求第一列列向量的单位向量Q(:,1)=a; %% 把a赋值给Q的第一列for j=2:size(A,2)m=zeros(size(A,1),1); %% 取A的第一列for i=1:j-1R(i,j)=Q(:,i)'* A(:,j); %% q的转置乘以A的第j列向量m=m+R(i,j)*Q(:,i); %% q的转置乘以A的列向量endQ(:,j)=A(:,j)-m; %% A的第j列减去q(i)和A(:,j)的内积和R(j,j)=norm(Q(:,j)); %% 把Q的列向量的模值赋值给R(j,j)Q(:,j)=Q(:,j)/norm(Q(:,j)); %% 把Q的列向量的单位化endQ %% 输出正交矩阵QR %% 输出上三角矩阵Rendif(x==3) %% 判断如果x=3，那么将进行Householder reduction %%************Householder reduction***********%%disp('P*A=T')R=zeros(size(A,1)); %% 把R设置为矩阵维数等于矩阵的行数的全零方阵R1=zeros(size(A,1)); %% 把R1设为矩阵维数等于矩阵的行数的全零方阵M=A; %% 将A赋给MP=eye(size(M,1)); %% 先将P矩阵设为维数等于M的单位矩阵for i=1:(size(M,1)-1)U=A; %% 将A赋值给UU(1,1)=U(1,1)-norm(U(:,1)); %% 将U的第一列的第一行元素减去U的第一列列向量的模值R=eye(size(U,1))-2*U(:,1)*U(:,1)'/(U(:,1)'* U(:,1)); %%I-2*U(:,1)*U(:,1)'/(U(:,1)'* U(:,1)A=R*A; %% R乘以A赋值给AA=A(2:size(A,1),2:size(A,2)); %% 取A的子矩阵if(size(R,1)<size(M,1)) %% 判断矩阵R的行数是否小于矩阵M的行数，如果小于进行下步：S=eye(size(M,1)-size(R,1)); %% 将S设置为维数等于矩阵M的行数减去矩阵R的行数维的单位矩阵V=zeros(size(M,1)-size(R,1),size(R,1)); %% 将V设置为矩阵行数等于M 的行数减去R的行数，列数等于矩阵R的列数F=zeros(size(R,1),size(M,1)-size(R,1)); %% 将F矩阵设置行数等于R的行数，列数等于矩阵M的行数减去矩阵R的行数R1=[S V;F R]; %% 将 S V F D 合成矩阵R1else R1=R; %% 如果不满矩阵R的行数小于矩阵M 的行数，则把R赋值给R1endP=R1*P;endP %% 输出正交矩阵PT=P*M %% 输出矩阵T,如果矩阵M的行数等于列数的话，T为上三角矩阵endif(x==4) %% 判断x的值是否等于4，等于4则进行Givens reduction%%***********Givens reduction**********%%disp('P*A=R')U=A; %% 将A赋值给Uw=size(A,1); %% w等于矩阵A的行数r=eye(w); %% 将r设置为维数为w的单位矩阵for k=1:w-1m=eye(size(A,1)); %% 将m设置为维数等于A的行数单位矩阵for i=2:size(A,1)P=eye(size(A,1));a=0; %% 将a是设置为0，方便求第一列前i个元素的平方和for j=1:iu=sqrt(a);a=a+A(j,1)^2;ends=sqrt(a); %% 将第一列前i个元素的平方开根P(1,1)=u/s; %% 将u/s赋值给旋转矩阵P的第一行的第一列P(i,i)=u/s; %% 将u/s赋值给旋转矩阵P的第i行和第i列P(i,1)=-A(i,1)/s; %% 将 -A(i,1)赋值非P的第i行的第一列P(1,i)=A(i,1)/s; %% 将 A(i,i)赋值给P的第一行的第i列m=P*m; %% P乘以矩阵m并赋值给mendA=m*A; %% 矩阵m*A赋值给AA=A(2:size(A,1),2:size(A,2)); %% 取A的子矩阵if(size(m,1)<w) %% 如果矩阵m的行数小于wc=eye(w-size(m,1)); %% 将c设置为维数等于w-矩阵m的行数的单位矩阵d=zeros(w-size(m,1),size(m,1));v=zeros(size(m,1),w-size(m,1));p=[c,d;v,m]; %% 进行和并矩阵elsep=m; %% 如果不满足矩阵m的行数小于w，则把m赋值给pendr=p*r;endP=r %% 将r赋值给正交矩阵P，并输出PR=P*U %% 输出矩阵R，若R的行数等于列数的话，R为上三角矩阵endend。

矩阵分析方法及应用论文矩阵分析方法是一种应用矩阵论和线性代数的数学工具，用于研究和解决与矩阵相关的问题。

矩阵可以用于描述线性变换、矢量空间和方程组等数学对象。

矩阵分析方法可以应用于多个领域，包括数学、物理、工程、计算机科学等。

在以下回答中，我将简要介绍矩阵分析方法的基本原理和一些应用，并提供一些相关论文的例子。

首先，让我们来了解一下矩阵分析的基本原理。

矩阵是一个由数值排列成的矩形数组，可以表示为一个m×n的矩阵，其中m表示行数，n表示列数。

矩阵的元素可以是实数或复数。

通过矩阵分析，我们可以研究矩阵的性质、运算规则和应用。

矩阵乘法是矩阵分析中最基本的操作之一。

当两个矩阵相乘时，第一个矩阵的列数必须等于第二个矩阵的行数。

矩阵乘法的结果是一个新的矩阵，其行数等于第一个矩阵的行数，列数等于第二个矩阵的列数。

矩阵乘法可以表示线性变换和矢量的线性组合等概念。

另一个重要的矩阵分析方法是特征值和特征向量的计算。

矩阵的特征值是矩阵与一个非零向量之间的一个简单乘法关系。

特征向量是与特征值对应的非零向量。

特征值和特征向量在物理、工程和计算机科学等领域中有广泛的应用，例如图像处理、机器学习和数据压缩等。

矩阵分析方法在多个领域有着广泛的应用。

下面是一些矩阵分析方法的应用领域及相应的论文例子：1. 图像处理：矩阵分析方法在图像处理中被广泛应用，例如图像压缩和恢复。

论文例子：《基于矩阵分解的图像压缩算法研究》、《基于矩阵分析方法的图像恢复技术研究》。

2. 数据处理：矩阵分析方法在数据挖掘和机器学习中起着重要作用，例如矩阵分解和矩阵推荐系统。

论文例子：《基于矩阵分解的矩阵推荐系统研究》、《基于矩阵分析的数据挖掘技术研究》。

3. 信号处理：矩阵分析方法在信号处理中具有广泛的应用，例如语音信号处理和音频编码。

论文例子：《基于矩阵分析方法的语音信号处理技术研究》、《基于矩阵分解的音频编码算法研究》。

4. 控制系统：矩阵分析方法在控制系统设计和分析中具有重要作用，例如状态空间表示和线性二次型控制器设计。

中科院矩阵分析与应用大作业1. 研究背景矩阵是数学领域中的重要概念之一，它在各个领域中都有广泛的应用。

在计算机科学中，矩阵常常用于图像处理、计算机视觉等领域；在数据分析中，矩阵则被用来描述数据之间的关系。

因此，深入研究矩阵的相关算法和应用，对于提高计算机科学和数据分析领域的研究水平具有重要意义。

2. 研究目的本次研究的主要目的是掌握矩阵分析的基本概念和相关算法，并将其应用于实际问题中，进一步提高对于矩阵分析的理解和应用能力。

3. 研究内容3.1 矩阵分解矩阵分解是矩阵分析中的一项重要任务，它将一个矩阵分解成为多个小的矩阵，从而更方便的进行处理。

常见的矩阵分解算法有：1.奇异值分解（SVD）2.QR分解3.LU分解4.特征值分解3.2 矩阵重构矩阵重构是指将矩阵进行转换、组合等操作，旨在从不同的角度探索和发现矩阵的内在规律。

常见的矩阵重构算法有：1.矩阵乘法2.矩阵转置3.矩阵拼接4.矩阵切片3.3 矩阵应用矩阵在各个领域的应用非常广泛，下面列举几个常见的应用场景：1.图像处理：将图像转化成为矩阵，对其进行矩阵分解、矩阵重构等操作，从而实现图像降噪、图像识别等功能。

2.推荐系统：利用矩阵分解的方法将原始数据转化为矩阵，再对其进行推荐系统的处理，从而为用户提供更好的推荐服务。

3.聚类分析：将大量数据转化为矩阵，从而利用聚类算法对其进行分析，发现数据之间的关系，进一步深入研究数据的内在规律。

4. 研究通过对于矩阵分解、矩阵重构、矩阵应用等领域的研究，我们可以得到以下：1.奇异值分解、QR分解、LU分解、特征值分解等矩阵分解算法各有优缺点，在实际应用中应该根据具体情况选用不同的算法。

2.矩阵乘法、矩阵转置、矩阵拼接、矩阵切片等矩阵重构算法可以帮助我们从不同的角度分析和处理矩阵，从而深入研究矩阵的内在规律。

3.矩阵在图像处理、推荐系统、聚类分析等领域有着广泛的应用，掌握矩阵分析算法可以帮助我们更好地解决实际问题。

矩阵的代数性质1•矩阵是线性映射的表示：线性映射的相加表示为矩阵的相加线性映射的复合表示为矩阵的相乘2•矩阵是一种语言，它是表示复杂系统的有力工具。

学习矩阵理论的重要用途之一就是学会用矩阵表示复杂系统的关系，培养根据矩阵推演公式的能力是学习矩阵论的目的之一。

定义一个矩阵有几种方式：可以通过定义矩阵的每一个元素来定义一个矩阵，也可以通过矩阵具有的性质来定义一个矩阵。

如：对称矩阵可以定义为：a ij=a ji也可以定义为：(x, Ay)=(Ax,y),还可以定义为：Ax= f(x),其中f(x)=x T Ax/2,即它对向量x的作用相当于函数f(x)在x处的梯度。

3. 矩阵可以表示为图像矩阵的大小可以表示为图像。

反之，一幅灰度图像本身就是矩阵。

图像压缩就是矩阵的表示问题•这时矩阵相邻元素间有局部连续性，既相邻的元素的值大都差别不大。

4. 矩阵是二维的(几何性质)矩阵能够在二维的纸张和屏幕等平面媒体上表示，使得用矩阵表示的问题显得简单清楚，直观，易于理解和交流。

很多二元关系很直观的就表示为矩阵，如关系数据库中的属性和属性值，随机马尔科夫链的状态转移概率矩阵，图论中的有向图或无向图的矩阵表示等。

第一章：线性空间和线性变换1. 线性空间集合与映射集合是现代数学最重要的概念，但没有严格的定义。

集合与其说是一个数学概念，还不如说是一种思维方式，即用集合(整体)的观点思考问题。

整个数学发展的历史就是从特殊到一般，从个体到整体的发展历程。

集合的运算及规则，两个集合的并、交运算以及一个集合的补；集合中元素没有重合，子集，元素设S, S'为集合映射：为一个规则：S S',使得S中元素a和S'中元素对应，记为a'= (a)，或：a a'.映射最本质的特征在于对于S中的任意一个元素在S'中仅有唯一的一个元素和它对应。

映射的原象，象；映射的复合。

满射，单射,—映射。

若S'和S相同，则称为变换。

矩阵分析及其应用3.1矩阵序列定义3.1设矩阵序列｛应)｝,其中A«)=(#))£Cms,当k—oo, 佝时，称矩阵序列｛A00｝收敛，并称矩阵A=(佝)为矩阵序列｛A00｝的极限,或称｛A00｝收敛于A,记为lim A a)= A或A,k)-> A ks不收敛的矩阵序列称为发散的。

由定义，矩阵序列A(k)发散的充要条件为存在ij使得数列站发散。

类似地，我们可以定义矩阵收敛的Cauchy定义定义31矩阵序列｛A00｝收敛的充要条件为对任给£>0存在N(E),当k,l> N(E)时有IIA(k)-A(/)ll < £其中11.11为任意的广义矩阵范数。

例 1 A(n)e~nsin(-)n y，sin(R) k=l K 7如果直接按定义我们因为求不出A㈤的极限从而很难应用定义3.1证明收敛。

相反，由于t^< t^<v 1/m从而只要/充分大，则当m, n > /时就有nz sin(A)这样A")收定理3.1 A(k)->A的充要条件为HA'10-AII T O证明：利用广义矩阵范数的等价性定理，仅对co范数可以证明。

即ci IIA(k) -AIL < IIA(k) -All< c2 IIA(k) -AIL性质 1.设A(k,—> A mxn, B,k,—> B mxn>则a- A(k)+P • B(k) -> a- A+P B, V a,PeC性质2.设A(k)—> A mxn, B,k)—> B nx/,则A(k)由如一A B证明：由于矩阵范数地等价性，我们E以只讨论相容的矩阵范数。

IIA(k).B(k)-A-BII < II A(k) -B(k) -A-B(k)ll+IIAB(k)- A-BII<IIA(k)-AII-IIB(k)ll+IIAIMIB(k)-BII注意IIB(k)||_||BII,则结论可得。

第 2 章范数理论及其应用2.1向量范数及I p范数定义：如果V 是数域K 上的线性空间，且对于V的任一向量x，对应一个实数值ixil,它满足以下三个条件：1）非负性：||x|| 0,且||x||=0 x=0; 2）齐次性：iikxii=iki iixii，k K；3）三角不等式：||x+y|| ||x||+||y||.则称||x|为V上向量x的范数，简称为向量范数。

可以看出范数||||为将V映射为非负数的函数。

注意：2）中|k|当K为实数时为绝对值，当K 为复数域时为复数的模。

虽然向量范数是定义在一般的线性空间上的，但是由于前面的讨论，我们知道任何n 维线性空间在一个基下都代数同构于常用的n维复（或实）列向量空间, 因此下面我们仅仅讨论n 维复（或实）列向量空间就足够了下面讨论如下：1•设||||为线性空间V n的范数，任取它的一个基X i,X2,…,X n,则对于任意向量X,它可以表示为x= 1X1+ 2X2+ …+ n X n其中，（1, 2,…,n）T为X的坐标。

由此定义C n（或R n）中的范数如下：|| ||C = （） = || 1X1+ 2X2+ …+ n X n||则容易验证|| ||C确实为C n中的范数.2•反之，若|| |C为C n中的范数，定义V n的范数如下：||X||= （X）=|| ||c其中X= 1X1+ 2X2+ …+ n X n。

则容易验证（X）确实为V n的范数。

这个例子充分说明了一般线性空间的范数和n维复（或实）列向量空间的范数之间的关系。

这也是为我们只讨论n 维复（或实）列向量空间的范数的理由.范数首先是一个函数，它将线性空间的任意向量映射为非负实数。

范数与函数性质 1. 范数是凸函数，即|| （1 ）X+ y|| （1 ）||X||+ ||y||其中0向量的范数类似于向量长度。

性质 2. (范数的乘法) 若|| ||为线性空间V 上的向量范数，则k|||| 仍然为向量范数, 其中k > 0.性质3.设||||comp为R m上的范数，且对x (R+)m为单调增加的(即，若x,y (R+)m, 且X i y那么IXI Comp lyil comp 成立•),那么，对于给定的m个n维线性空间V上的范数||||i,i=1,2,…,m，我们可以定义一个复合范数为llxll=llU(x)ll comp , 其中，U(X)=( ||X||1,||X|2,…,||x||m)T. 证明：非负性和齐次性是显然的，仅需证明三角不等式。

《矩阵分析》(第3版)史荣昌,魏丰.第一章课后习题答案第1章 线性空间和线性变换（详解）1-1 证：用ii E 表示n 阶矩阵中除第i 行，第i 列的元素为1外，其余元素全为0的矩阵.用ij E (,1,2,,1)i j i n <=-L 表示n 阶矩阵中除第i 行，第j 列元素与第j 行第i 列元素为1外，其余元素全为0的矩阵.显然，ii E ，ij E 都是对称矩阵，ii E 有(1)2n n -个.不难证明ii E ，ij E 是线性无关的，且任何一个对称矩阵都可用这n+(1)2n n -=(1)2n n +个矩阵线性表示，此即对称矩阵组成(1)2n n +维线性空间.同样可证所有n 阶反对称矩阵组成的线性空间的维数为(1)2n n -.评注:欲证一个集合在加法与数乘两种运算下是一个(1)2n n +维线性空间，只需找出(1)2n n +个向量线性无关，并且集合中任何一个向量都可以用这(1)2n n +个向量线性表示即可.1-2解: 11223344x x x x ααααα=+++令 解出1234,,,x x x x 即可.1-3 解：方法一 设11223344x x x x =+++A E E E E即123412111111100311100000x x x x ⎡⎤⎡⎤⎡⎤⎡⎤⎡⎤=+++⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦⎣⎦⎣⎦⎣⎦ 故12341231211203x x x x x x x x x x +++++⎡⎤⎡⎤=⎢⎥⎢⎥+⎣⎦⎣⎦于是12341231,2x x x x x x x +++=++=1210,3x x x +==解之得12343,3,2,1x x x x ==-==-即A 在1234,,,E E E E 下的坐标为(3,3,2,1)T --.方法二 应用同构的概念，22R ⨯是一个四维空间，并且可将矩阵A 看做(1,2,0,3)T ，1234,,,E E E E 可看做(1,1,1,1),(1,1,1,0),(1,1,0,0),(1,0,0,0)T T T T .于是有1111110003111020100311000001021000300011⎡⎤⎡⎤⎢⎥⎢⎥-⎢⎥⎢⎥→⎢⎥⎢⎥⎢⎥⎢⎥-⎣⎦⎣⎦因此A 在1234,,,E E E E 下的坐标为(3,3,2,1)T --.1-4 解：证：设112233440k k k k αααα+++=即1234123412313412411111110110110110k k k k k k k k k k k k k k k k k ⎡⎤⎡⎤⎡⎤⎡⎤+++⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦⎣⎦⎣⎦+++++⎡⎤==⎢⎥++++⎣⎦于是12341230,0k k k k k k k +++=++=1341240,0k k k k k k ++=++=解之得12340k k k k ====故1234,,,αααα线性无关. 设123412341231341241111111011011011a b x x x x c d x x x x x x x x x x x x x ⎡⎤⎡⎤⎡⎤⎡⎤⎡⎤=+++⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦⎣⎦⎣⎦⎣⎦+++++⎡⎤=⎢⎥++++⎣⎦于是12341230,0x x x x x x x +++=++= 1341240,0x x x x x x ++=++=解之得122,x b c d a x a c =++-=-34,x a d x a b =-=-1234,,,x x x x 即为所求坐标.1-5 解：方法一 （用线性空间理论计算）32312233410()121,,,021,1,(1),(1)p x x x x x y y x x x y y ⎡⎤⎢⎥⎢⎥⎡⎤=+=⎣⎦⎢⎥⎢⎥⎣⎦⎡⎤⎢⎥⎢⎥⎡⎤=---⎣⎦⎢⎥⎢⎥⎣⎦又由于23231,1,(1),(1)111101231,,,00130001x x x x x x ⎡⎤---⎣⎦⎡⎤⎢⎥-⎢⎥⎡⎤=⎣⎦⎢⎥-⎢⎥⎣⎦于是()p x 在基231,1,(1),(1)x x x ---下的坐标为11234111113012306001306000122y y y y -⎡⎤⎡⎤⎡⎤⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥-⎢⎥⎢⎥⎢⎥⎢⎥==⎢⎥⎢⎥⎢⎥⎢⎥-⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦⎣⎦⎣⎦方法二 将3()12p x x =+根据幂级数公式按1x -展开可得32323()12(1)(1)(1)(1)(1)(1)(1)2!3!36(1)6(1)2(1)p x x p p p p x x x x x x =+''''''=+-+-+-=+-+-+- 因此()p x 在基231,1,(1),(1)x x x ---下的坐标为[]3,6,6,2T.评注：按照向量坐标定义计算，第二种方法比第一种方法更简单一些. 1-6 解：①设[][]12341234,,,,,,=ββββααααP将1234,,,αααα与1234,,,ββββ代入上式得20561001133611001121011010130011⎡⎤⎡⎤⎢⎥⎢⎥-⎢⎥⎢⎥=⎢⎥⎢⎥--⎢⎥⎢⎥-⎣⎦⎣⎦P 故过渡矩阵1100120561100133601101121001110131122223514221915223112822-⎡⎤⎡⎤⎢⎥⎢⎥-⎢⎥⎢⎥=⎢⎥⎢⎥--⎢⎥⎢⎥-⎣⎦⎣⎦⎡⎤---⎢⎥⎢⎥⎢⎥⎢⎥=⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦P②设1212343410(,,,)10y y y y ⎡⎤⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥=⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦ξββββ将1234,,,ββββ坐标代入上式后整理得11234792056181336027112111310130227y y y y -⎡⎤-⎢⎥⎢⎥⎡⎤⎡⎤⎡⎤⎢⎥-⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥==⎢⎥⎢⎥⎢⎥⎢⎥-⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦⎣⎦⎢⎥⎢⎥⎣⎦评注：只需将,i i αβ代入过渡矩阵的定义[][]12341234,,,,,,=ββββααααP计算出P .1-7 解：因为12121212{,}{,}{,,,}span span span +=ααββααββ由于秩1212{,,,}3span =ααββ，且121,,ααβ是向量1212,,,ααββ的一个极大线性无关组，所以和空间的维数是3，基为121,,ααβ.方法一 设1212{,}{,}span span ∈ξααββI ，于是由交空间定义可知123411212111011030117k k k k -⎡⎤⎡⎤⎡⎤⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥--⎢⎥⎢⎥⎢⎥⎢⎥+++=⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦⎣⎦⎣⎦解之得1222122,4,3(k l k l l l l =-==-为任意数)于是11222[5,2,3,4]T k k l =+=-ξαα(很显然1122l l ββ=+ξ)所以交空间的维数为1，基为[5,2,3,4]T -. 方法二 不难知12121212{,}{,},{,}{,}span span span span ''==ααααββββ其中2213[2,2,0,1],[,2,1,0]3TT ''=--=-αβ.又12{,}span 'αα也是线性方程组13423422x x x x x x =-⎧⎨=-⎩ 的解空间.12{,}span 'ββ是线性方程组13423413232x x x x x x ⎧=-+⎪⎨⎪=-⎩ 的解空间，所以所求的交空间就是线性方程组1342341342342213232x x x x x x x x x x x x =-⎧⎪=-⎪⎪⎨=-+⎪⎪=-⎪⎩ 的解空间，容易求出其基础解系为[5,2,3,4]T -，所以交空间的维数为1，基为[5,2,3,4]T -.评注：本题有几个知识点是很重要的.12(1){,,,}n span αααL 的基底就是12,,,n αααL 的极大线性无关组.维数等于秩12{,,,}n αααL .1212(2){,}{,}span span +ααββ1212{,,,}span =ααββ.(3)方法一的思路，求交1212{,}{,}span span ααββI 就是求向量ξ，既可由12,αα线性表示，又可由12,ββ线性表示的那部分向量.(4)方法二是借用“两个齐次线性方程组解空间的交空间就是联立方程组的解空间”，将本题已知条件改造为齐次线性方程组来求解.1-8解:(1):解出方程组1234123420510640x x x x x x x x ---=⎧⎨---=⎩（Ⅰ）的基础解系,即是1V 的基, 解出方程组123420x x x x -++=（Ⅱ）的基础解系,即是2V 的基; (2): 解出方程组1234123412342051064020x x x x x x x x x x x x ---=⎧⎪---=⎨⎪-++=⎩的基础解系,即为12V V ⋂的基;(3):设{}{}1121,,,,,k l V span V span ααββ==L L ,则11,,,,,k l ααββL L 的极大无关组即是12V V +的基. 1-9解:仿上题解.1-10解: 仿上题解.1-11 证：设210121()()()0k k l l l l --++++=ξξξξL A AA①用1k -A从左侧成①式两端，由()0k=ξA可得10()0k l -=ξA因为1()0k -≠ξA，所以00l =，代入①可得21121()()()0k k l l l --+++=ξξξL A A A②用2k -A从左侧乘②式两端，由()0k=ξA可得00l =，继续下去，可得210k l l -===L ，于是21,(),(),,()k -ξξξξL A AA 线性无关.1-12 解：由1-11可知，n 个向量210,(),(),,()n -≠ξξξξL A AA线性无关，它是V 的一个基.又由21212121[,(),(),,()][(),(),,()][(),(),,(),0]000010000100[,(),(),,()]00000010n n n n n n----⨯==⎡⎤⎢⎥⎢⎥⎢⎥=⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦ξξξξξξξξξξξξξξL L L L L L L M M M M L LA A A AA A A A AAA A A 所以A在21,(),(),,()n -ξξξξL A AA下矩阵表示为n 阶矩阵00001000010000000010⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦L L L M M M M L L评注：n 维线性空间V 中任何一组n 个线性无关的向量组都可以构成V 的一个基，因此21,(),(),,()n -ξξξξL A A A是V 的一个基.1-13证: 设()()()111,,,,,,,,,,,r s m r s A A ξξξββααα==L L L L L 设11,,,,,,r r s ξξξξξL L L 是的极大无关组，则可以证明11,,,,,,r r s αααααL L L 是的极大无关组. 1-14 解：(1)由题意知123123[,,][,,]=ααααααA A123123111[,,][,,]011001⎡⎤⎢⎥=⎢⎥⎢⎥⎣⎦βββααα 设A在基123,,βββ下的矩阵表示是B ，则11111123111011103011001215001244346238--⎡⎤⎡⎤⎡⎤⎢⎥⎢⎥⎢⎥==-⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦⎣⎦⎡⎤⎢⎥=---⎢⎥⎢⎥⎣⎦B P AP (2)由于0A ≠，故0=AX 只有零解，所以A的核是零空间.由维数定理可知A的值域是线性空间3R .1-15解:已知()()2323,,,,A αααααα=11A(1) 求得式()()2323,,,,P εεεααα=11中的过渡矩阵P ,则1B P AP -=即为所求; (2)仿教材例1.5.1.(见<矩阵分析>史荣昌编著.北京理工大学出版社.) 1-16解:设()23,,A ααα=1,则{}23(),,;()R A span N A ααα=1就是齐次方程组0Ax = 的解空间. 1-17证:由矩阵的乘法定义知AB BA 与的主对角线上元素相等,故知AB BA 与的迹相等;再由1-18 题可证. 1-18证:对k 用数学归纳法证。

矩阵分析在通信中的应用•在过去的15年左右，矩阵分析这一工具在通信理论与系统中得到了广泛应用•为什么？“传统”通信（~before 2000）“现代”通信(~after 2000)•本质上，现代通信系统必须处理高维信号侧重于单点对单点强调多用户单载波多载波单天线多天线多维线性参数估计应用：信道估计与符号估值•考虑如上图所示的一个多径信道•首先发送长度为N的已知训练序列：{s(1),…,s(N)}；接收端收到{y(1),…, y(N)}•如何对收到的长度为N的接收向量进行线性矩阵运算，获得对信道向量c的“最优”估值？•在获得信道向量c的估值后，发送端继续发送长度为M的未知数据序列：{x(1),…,x(M)}；接收端收到{y(1),…,y(M)}•如何对收到的长度为M的接收向量进行线性矩阵运算，获得对数据向量x 的“最优”估值？多维线性参数估计应用：线性均衡•继续考虑上一页提到的数据估值问题，但是…•加入一个限制：接收端必须符合上图所示的“线性均衡器”•如何决定线性均衡器各个“分支”的系数，获得对数据向量x的“最优”估值？多天线系统（MIMO）•从单天线系统（SISO）演进到多天线系统（MIMO），是过去20多年通信领域的最重要技术发明之一•对MIMO系统的研究，使得矩阵分析理论在通信界成为“必备”的知识•下面的这个信号模型是“无数”MIMO论文的基础Y=HX+Z多天线系统（MIMO）：单用户信道容量Y=HX+Z•考虑一个单用户MIMO信道–发送端M根天线，接收端N根天线–信道矩阵H的维数是N*M–发送端总功率受限或各根天线功率受限•若信道矩阵H给定，信道容量如何获得？–收端精确知道H，发端不知道H–收发端均精确知道H–收发端均不知道H•若信道矩阵H服从某一分布，信道容量如何定义，如何获得？多天线系统（MIMO）：多用户信道容量Y=[H1, H2] [X1;X2]+Z•上行多用户MIMO信道–2个用户–每个用户发送端M根天线–基站接收端N根天线–发送端总功率受限[Y1;Y2]=[H1;H2] X+Z•下行多用户MIMO信道–2个用户–基站发送端M根天线–每个用户接受端N根天线–发送端总功率受限多天线系统（MIMO）：接收机设计Y=HX+Z•考虑一个单用户MIMO信道–发送端M根天线，接收端N根天线–信道矩阵H的维数是N*M–发送端总功率受限或各根天线功率受限–接收端精确知道信道矩阵H•接收端如何获得对X的“最佳”估值？•接收端如何获得对X的“最佳”线性估值？•什么样的接收机估值处理能够做到不损失信道容量？多天线系统（MIMO）：ZF与ZF-SIC接收机Y=HX+Z•ZF接收机–在对每个符号估值的时候，确保其它符号对其的干扰为零（zero-forcing）–通过对矩阵H做QR分解Y=HX+Z=QRX+ZQ H Y=RX+Q H ZR-1Q H Y=X+R-1Q H Z–X的每个符号可以独立做估值•ZF-SIC接收机–也叫作V-BLAST–对每一个符号做ZF–随后将此符号在Y中的贡献减掉，再对下一个符号做ZF多天线系统（MIMO）：MMSE与MMSE-SIC接收机Y=HX+Z•（线性）MMSE接收机–寻找一个M*N维的矩阵G，使得GY最小化均方误差–推导过程需要利用到正交准则•MMSE-SIC接收机–对每一个符号做MMSE–随后将此符号在Y中的贡献减掉，再对下一个符号做MMSE–MMSE-SIC接收机与信道容量的关系多天线系统（MIMO）：码间串扰信道Revisit•接收端符号表示•在发端做一个cyclic prefix处理（增加的长度为L-1）•在收端，将前L-1个符号丢掉，只保留随后的N个符号•可以证明，对于这个系统，发端的傅里叶逆变换与收端的傅里叶变换一起，可以对角化任何信道，从而达到完全消除码间串扰的目的–OFDM系统•不需要做时域均衡多天线系统（MIMO）：预编码矩阵设计Y=HX+Z•发送端知道信道H•如何设计一个线性矩阵F，来“预编码”需要发送的符号向量s？•随着优化目标的不同，对应的预编码矩阵也不同–保留信道容量–对角化信道–优化成对出错概率–单用户vs多用户•向量信道的最大比（MRT）发送预编码•ZF预编码•其它预编码多天线系统（MIMO）：最优空时分组码设计Y=HX+Z•发送端不知道信道H•如何设计一个线性矩阵X，来“预编码”需要发送的符号向量s？–X必须与H无关，仅与s有关•最早的空时分组码：Alamouti Code(1998)•随后出现了多种基于矩阵代数的空时分组码•着重讨论最优设计准则与在有反馈情况下的分组码设计。

LU分解说明文档
1.概述
在附件中的LU.rar文件中包含3份.m文件分别为LUfactor.m、LUFull.m、LUPart.m。

其中LUfactor为执行文件，其余为自己编写的函数。

用matlab打开LUfactor.m即可进行LU分解。

LUFull.m为完全主元法实现函数。

测试矩阵可为：[222;477;61822]。

LUPart.m为部分主元法实现函数。

测试矩阵：[12-34;4812-8;2321;-3-11 -4]和[234;467;825]
2.实现过程
（1）要求使用者从外部输入需要LU分解的方阵A；
（2）判断A是否为方阵；
（3）判断A是否奇异；
（4）判断A顺序主子式是否全部非0；
（5）若顺序主子式全部非0，调用函数LUFull使用完全主元法进行LU分解。

LUFull函数主要使用Dolittle公式实现算法。

详见源码。

（6）若顺序主子式含0，调用函数LUPart使用部分主元法进行LU分解。

算法实现的是基本的完全主元法计算过程。

详见源码。

矩阵分析及其应用范围矩阵作为数学中一种基础结构，被广泛地应用在科学技术领域中。

因为矩阵可以对向量空间中的线性变换进行描述，利用矩阵运算可以方便地进行数据的处理和计算。

矩阵分析是研究矩阵的性质、结构和变换的学问，它不仅是数学分析的一个重要分支，而且在工程、科学和自然科学中都有广泛应用。

矩阵分析的基础知识矩阵分析的基础知识包括矩阵的性质、矩阵的运算以及矩阵的特征值和特征向量等方面。

其中，矩阵的性质包括行列式、秩、迹、特征多项式等；矩阵的运算包括加减乘除、逆矩阵、转置矩阵、伴随矩阵等；矩阵的特征值和特征向量包括矩阵的对角化和相似矩阵。

矩阵分析的应用范围1. 矩阵运算在计算机科学中的应用矩阵运算在计算机科学中有广泛的应用，例如图像处理、数据压缩和编码等。

在图像处理中，利用矩阵运算可以进行图像的变换、去噪、增强、分割和识别等。

在数据压缩和编码中，利用矩阵运算可以进行数据压缩和编码以及信号恢复和解码等。

2. 矩阵分析在物理学中的应用矩阵分析在物理学中有很大的应用，例如量子力学中的波函数描述、离散元素法计算、有限元素法分析和时间序列分析等。

在量子力学中，矢量可以用波函数表示，而波函数则通过矩阵运算来描述量子态之间的关系。

在离散元素法计算中，矩阵可以描述初始条件、边界条件和物理模型，通过矩阵运算可以求解精确的数值解。

在有限元素法分析中，矩阵可以描述材料力学特性、温度场、流动场和电场等，通过矩阵运算可以解决复杂的力学问题。

在时间序列分析中，矩阵可以描述时间序列之间的线性关系，通过矩阵运算可以预测未来的数据趋势和变化。

3. 矩阵分析在生物学中的应用矩阵分析在生物学中也有很大的应用，例如基因芯片中的基因表达分析、蛋白质序列分析和生态系统分析等。

在基因芯片中，矩阵可以描述基因和样本之间的关系，通过矩阵运算可以分析基因表达的差异和相似性。

在蛋白质序列分析中，矩阵可以描述蛋白质序列之间的相似性和差异性，通过矩阵运算可以预测蛋白质的结构和功能。

矩阵分析及其应用 3.1矩阵序列定义3.1设矩阵序列｛A (k )｝,其中A(k)=( a (k )) C m n ,当k a j" a u 时，称矩阵序列｛A (k)｝收敛，并称矩阵 A=( a ij )为矩 阵序列｛A (k)｝的极限，或称｛A (k)｝收敛于A,记为lim A (k)A 或 A (k) Ak不收敛的矩阵序列称为发散的。

由定义，矩阵序列 A (k )发散的充要条件为存在 j 使得数列a (k)发散。

类似地，我们可以定义矩阵收敛的 Cauchy 定义 定义3.1'矩阵序列｛A (k)｝收敛的充要条件为 对任给>0存在N()，当k, l N()时有 ||A (k) A (l)|| <其中||.|为任意的广义矩阵范数。

sin 』)n nsin(k)如果直接按定义我们因为求不出 A (n)的极限从而从而只要I 充分大，则当m, n > l 时就有sin(k)k 2这样A (l)收敛。

定理3.1 A (k) A 的充要条件为||A (k) A|| 0证明：利用广义矩阵范数的等价性定理，仅对 范数可以证明。

即c 1ILA (k) A||||A (k) AII C 2 ||A (k) AII 性质 0 若 A (k)A ，则 ||A (k) II IIAII 成立。

性质 1. 设 A (k)A m n ，B (k) B m n , 则A (k)+ B(k) A+ B ， ,C 性质 2. 设 A (k)A m n ，B (k )B n l ,贝UA (k)B (k)A B证明：由于矩阵范数地等价性，我们可以只讨论相容的 矩阵范数。

||A (k )B (k) A B|| || A (k) B (k) A B (k)||+||AB (k)A B|||| A (k) A|| ||B (k)||+||A||||B (k) B||例 1 A (n)k m 1k(k 1)相反，由于注意||B(k)|| ||B||，则结论可得。