尧图网页设计 
很多人学线性代数的时候最头疼的就是明明理解了概念却要手工做大量矩阵乘法、求逆、求特征值的计算。一旦数据变成 4 阶、5 阶草稿纸就不够用了。而 MATLAB 本身就以矩阵为基本运算单位天然适合用来验证定理、完成计算甚至解决工程中的数据拟合、图像压缩、主成分分析等问题。本文围绕“大谦MATLAB线性代数”这条学习主线整理一份免费的 MATLAB 教程式笔记从环境准备、矩阵基础操作一直讲到线性方程组、特征值分解、最小二乘和图像矩阵实战同时给出常见的报错排查方法和工程最佳实践。无论你是正在学线性代数的学生还是想用 MATLAB 快速做矩阵计算的工程师都可以照着本文一步步操作。1. 为什么要用 MATLAB 学线性代数1.1 线性代数的工程价值线性代数不只是数学系的一门基础课它是控制理论、信号处理、机器学习、计算流体力学、图像处理、结构分析等方向的底层工具。理解矩阵、向量、特征值、特征向量这些概念能帮助你读懂很多成熟算法搜索引擎的 PageRank 依赖特征向量人脸识别中的 PCA 依赖协方差矩阵分解电路仿真中的节点分析法最终也归结为线性方程组求解。不过很多人在学习时容易卡在“计算过程”上。一个 3 阶行列式还能手算一个 10 阶矩阵求逆就很容易算错。于是学习变成了背公式而不是理解矩阵背后的几何含义。MATLAB 把“矩阵计算”变成了接近自然语言的命令矩阵乘法和数学教材中的记号几乎一致因此是很好的验证工具。你可以把例题输入命令行立刻得到结果然后反过来观察规律。1.2 MATLAB 在线性代数学习中的优势MATLAB 的变量类型里面矩阵是最核心的数据结构。你不需要像 C 语言那样用双重循环去实现矩阵乘法也不需要像 Python 那样显式导入 numpy 库它原生就支持矩阵运算。比如A [1 2; 3 4]; B [5 6; 7 8]; C A * B;这里的A * B就是数学意义上的矩阵乘法。在 MATLAB 中这种表达方式和教科书上的写法高度一致学习成本低。另外MATLAB 内置了大量线性代数函数包括行列式det、逆矩阵inv、秩rank、特征值eig、奇异值分解svd、QR 分解qr等。学习者不需要自己造轮子只需要关注每个函数背后的数学意义以及适用条件。1.3 本教程的内容安排本文不追求把所有线性代数知识一次性讲完而是围绕最基础、最常用的算子展开。内容安排如下环境准备安装与命令行基础核心操作矩阵创建、索引、四则运算、点运算线性代数函数行列式、秩、逆矩阵、特征值、线性方程组求解实战案例插值拟合、最小二乘、PCA、图像矩阵处理常见问题维度错误、奇异矩阵、浮点误差等最佳实践向量化、用左除代替求逆、代码组织。这样的顺序可以让零基础读者先熟悉 MATLAB 的基本交互方式再逐步过渡到有数学背景的线性代数计算。2. 环境准备与基础操作2.1 MATLAB 安装与版本说明要运行本文的代码你首先需要有一个可用的 MATLAB 环境。官方正版渠道包括校园授权版、个人试用版、MATLAB Online 在线版。如果你所在学校或单位已经购买了 Toolbox 授权直接通过官网账户安装即可。这里不做安装包和破解类说明版本方面也不刻意指定旧版建议使用近几年的正式发布版本例如 R2022b、R2023b 以及之后的版本。需要特别留意的是本文某些示例会用到符号变量或者图像处理函数。如果报错提示找不到syms、rgb2gray说明当前安装内容不完整通常需要补充 Symbolic Math Toolbox 或 Image Processing Toolbox。如果只是完成线性代数基础计算核心产品下的det、inv、eig已经足够。如果你的电脑暂时无法安装 MATLAB也可以考虑 GNU Octave它的语法和 MATLAB 高度兼容适合练习本文大部分代码。不过部分工具箱差异较大遇到问题时建议回到 MATLAB 官方文档确认。2.2 命令行窗口与脚本基础安装完成后打开 MATLAB你会看到命令行窗口和当前文件夹。最简单的使用方式是在命令行窗口中直接输入表达式回车得到结果。例如 1 2 ans 3MATLAB 中默认变量名是ans用来保存上一次的计算结果。为了更清晰地管理数据我们通常把代码写入脚本文件。点击“新建脚本”保存为test_linear_algebra.m然后在脚本中写完代码后点击“运行”或者直接按 F5。脚本文件便于保存和修改也便于复现计算结果。本文后续代码都建议放在脚本文件中执行而不是一行行复制到命令行这样当矩阵维度变化时修改参数后可以重新运行整个流程。2.3 创建矩阵的基础方法MATLAB 创建矩阵主要有两个思路手动输入或者调用内置函数生成。手动输入时方括号[]用来界定矩阵空格或逗号分隔同一行的元素分号分隔不同行。例如% 3 行 3 列矩阵 A [1 2 3; 4 5 6; 7 8 9]; % 行向量 row [10 20 30]; % 列向量 col [1; 2; 3];除了手动输入还可以使用内置函数快速生成特殊矩阵。常见的有Z zeros(3); % 3x3 全 0 矩阵 O ones(2, 4); % 2 行 4 列全 1 矩阵 I eye(4); % 4 阶单位矩阵 R rand(3); % 3x3 均匀分布随机数矩阵 N randn(3); % 3x3 标准正态分布随机数矩阵 H hilb(4); % 4 阶 Hilbert 矩阵常用于病态矩阵实验这里需要注意zeros(3)默认生成 3×3 方阵zeros(2,4)则生成 2 行 4 列矩阵。单位矩阵eye非常常用因为它对应线性代数中的单位元很多推导中都离不开它。3. MATLAB 中的线性代数核心操作3.1 矩阵的转置、索引与变形转置在线性代数中就是把矩阵的行和列互换。MATLAB 中有两种写法A [1 2 3; 4 5 6]; B A.; % 普通转置 C A; % 共轭转置当矩阵元素是实数时B和C结果相同。但如果 A 是复数矩阵A会同时取共轭而A.只做行列互换。这是一个容易踩坑的地方。矩阵索引则是从矩阵中取出子块。MATLAB 索引从 1 开始和 C 语言从 0 开始不同。常用方式如下A [1 2 3; 4 5 6; 7 8 9]; A(2, 3) % 第 2 行第 3 列元素 A(1, :) % 第 1 行所有元素 A(:, 2) % 第 2 列所有元素 A(1:2, 2:3) % 前两行、第 2 到第 3 列组成的子矩阵 A([1 3], [2 3]) % 第 1 行和第 3 行、第 2 列和第 3 列交叉位置的元素这里冒号:用来表示“全部”或“范围”。如果你需要取出某矩阵的最后一列可以写成A(:, end)end表示该维度的最后一个索引。3.2 矩阵四则运算与点运算矩阵乘法和标量乘法很容易理解但 MATLAB 中有一个高频困惑点*与.*的区别。A * B是标准矩阵乘法要求 A 的列数等于 B 的行数A .* B是元素对应相乘要求 A 和 B 尺寸完全一致。看一个例子A [1 2; 3 4]; B [2 0; 1 2]; % 矩阵乘法 M A * B; % 元素对应乘法 P A .* B;A * B的结果是4 4 10 8而A .* B的结果是2 0 3 8类似地除法和幂运算也有点运算版本Q A ./ B; % 元素对应相除 E A .^ 2; % 每个元素平方如果不小心把.*写成*MATLAB 通常会提示维度不匹配。这个错误在初学者中非常常见。3.3 行列式、秩、迹与逆矩阵线性代数教材里的核心运算在 MATLAB 中都有一一对应的函数。以下矩阵均以 3×3 为例A [2 1 0; 1 3 2; 0 1 4]; d det(A); % 行列式 r rank(A); % 矩阵的秩 t trace(A); % 矩阵的迹主对角线元素之和 B inv(A); % 逆矩阵需要理解的是MATLAB 在计算这些函数时采用数值算法并不是通过展开行列式公式来计算。det(A)返回的是浮点数因此当结果非常接近 0 时不能直接断定矩阵不可逆更好的办法是观察rank或者计算条件数cond(A)。条件数越大矩阵越接近奇异求逆结果也越不可靠。判断一个矩阵是否可逆不建议使用det(A) 0这样的写法因为浮点误差会干扰判断。推荐结合rank和cond来做稳定性评估。3.4 特征值与特征向量特征值和特征向量是线性代数中最重要的概念之一。对可对角化矩阵A特征向量矩阵V和特征值对角矩阵D满足A [2 1; 1 2]; [V, D] eig(A);运行后D的对角线元素就是特征值V的每一列是对应的特征向量。可以验证B A * V; C V * D;理论上B与C相等但由于浮点误差二者之差会在非常小的量级。如果只需要特征值可以写成e eig(A);这里有一个容易混淆的点eig求的是稠密矩阵的全部特征值如果矩阵规模很大而且是稀疏的通常使用eigs来求一部分极值特征值。eigs依赖较复杂的迭代算法初学者不需要深究细节但要清楚两者的适用场景。3.5 解线性方程组与最小二乘线性方程组是线性代数最直接的应用。考虑2x y 5 x 3y 8写成矩阵形式A * x bA [2 1; 1 3]; b [5; 8]; x A \ b;点得到的x就是方程组的解。这里的反斜杠运算符非常重要它代表“左除”相当于求解A * x b。MATLAB 会根据矩阵性质自动选择合适算法比如高斯消元、LU 分解、QR 分解等而不是直接计算逆矩阵。推荐使用A \ b而不是x inv(A) * b因为左除在数值稳定性和计算效率上都更好。如果方程组是超定方程组也就是方程数量多于未知数通常不存在精确解此时A \ b会返回最小二乘意义下的解。这个特性在数据拟合中极其有用。4. 线性代数实战案例4.1 案例 1二次多项式插值假设我们知道三个点(0, 1)、(1, 3)、(2, 7)想找到一个二次多项式f(x) a x^2 b x c精确经过这三个点。把三个点代入后可以得到一个包含 3 个方程的线性方程组x [0; 1; 2]; y [1; 3; 7]; % 构造范德蒙德矩阵 V [x.^2, x, ones(3, 1)]; coeff V \ y;代码里的x.^2是对x的每一个元素做平方生成的矩阵V第一列是x^2第二列是x第三列是全 1。解出的coeff是[a; b; c]。运行后得到coeff 1 1 1说明插值多项式是f(x) x^2 x 1。可以快速验证x 0时结果为 1x 1时为 3x 2时为 7。这种构造线性方程组求解系数的方式是插值和拟合的基础。4.2 案例 2最小二乘数据拟合工程中很少要求曲线精确穿过每个数据点更多情况是数据带噪声。假设有一组近似满足y 2t 1的数据我们通过线性回归来估计参数rng(0); % 固定随机数种子保证结果可复现 t linspace(0, 1, 20); y 2 * t 1 0.1 * randn(20, 1); % 构造设计矩阵 X [t, 1] X [t, ones(20, 1)]; theta X \ y;这里的theta(1)是斜率估计值theta(2)是截距估计值。由于数据噪声存在估计结果不会严格等于 2 和 1但会很接近。背后原理是最小二乘解theta_ls (X * X) \ (X * y);和X \ y等价但直接用左除通常更稳定。通过这个案例可以直观看出线性代数在回归分析中的核心地位。4.3 案例 3PCA 主成分分析主成分分析是数据降维的经典方法本质上也是特征值分解的应用。我们生成一组二维数据然后旋转它使其存在明显相关性rng(1); data [3 * randn(100, 1) 2, 0.5 * randn(100, 1) 3]; % 旋转数据 theta_rot pi / 6; R [cos(theta_rot), -sin(theta_rot); sin(theta_rot), cos(theta_rot)]; data data * R; % 数据中心化 data data - mean(data); % 协方差矩阵 C (data * data) / (size(data, 1) - 1); % 特征值分解 [V, D] eig(C); [~, idx] sort(diag(D), descend); V V(:, idx); % 投影到主成分方向 score data * V;这个例子把“协方差矩阵”和“特征分解”串在了一起。协方差矩阵C的对角线表示每个维度的方差特征值表示投影到特征向量方向后方差的大小。排序后第一个主成分方向就是数据变化最大的方向。PCA 本质上就是在做这样一次坐标系旋转和降维选择。如果对可视化感兴趣可以在脚本中加上figure; plot(data(:,1), data(:,2), o); hold on; quiver(0, 0, V(1,1), V(2,1), r, LineWidth, 2); quiver(0, 0, V(1,2), V(2,2), b, LineWidth, 2); axis equal; legend(data, PC1, PC2);图中两条箭头就是两个主成分方向。可以看到数据沿红色箭头方向的波动更大。4.4 案例 4图像作为矩阵的简单处理图像的本质就是一个像素值矩阵。灰度图是二维矩阵彩色图是三维数组。利用矩阵运算我们可以快速实现图像裁剪、亮度调整、缩放等操作。先读取图像并转为灰度矩阵img imread(peppers.png); % 使用 MATLAB 自带的示例图 gray rgb2gray(img); M double(gray);由于imread读入的是无符号 8 位整数类型直接做加法、乘法可能溢出所以用double转成浮点型矩阵。现在裁剪左上角 64×64 区域block M(1:64, 1:64);把整张图变亮 40 个灰度级bright M 40;把整张图对比度降低也就是乘以一个小数dark M * 0.6;如果要把结果保存或显示出来需要先把数值限制在 0 到 255 之间dark max(min(dark, 255), 0); imshow(uint8(dark));这个案例把“图像就是矩阵”这一观念落实到代码中。理解这一点之后卷积、傅里叶变换、图像压缩等更高级内容都能从矩阵运算的角度去理解。5. 常见问题与排查思路5.1 高频错误对照表问题现象常见原因解决思路Matrix dimensions must agree.矩阵乘法或数组运算维度不匹配用size检查矩阵尺寸确认该用*还是.*Matrix must be square.对非方阵调用det、inv、eig改用pinv求伪逆或检查矩阵是否应该为方阵Matrix is singular to working precision.矩阵接近奇异或严格奇异用rank、cond判断考虑用pinv或正则化Undefined function syms缺少符号数学工具箱安装 Symbolic Math Toolbox 或改用数值方法Unable to read file文件路径存在中文或文件不存在把路径改为英文使用fullfile拼接路径结果出现1.2246e-16浮点计算误差导致不要用0判断设置阈值如abs(x) 1e-105.2 数值精度问题线性代数计算中浮点误差是不可避免的。比如sin(pi)理论上是 0但 MATLAB 返回1.2246e-16因为pi本身只是圆周率的浮点近似值。再比如计算行列式时理论上奇异矩阵的行列式应为 0但数值结果可能是一个极小的数。此时应使用rank或cond来判断矩阵性质。如果需要查看更高精度的显示结果可以用format long这只是改变显示精度不会改变内部计算精度。如果确实需要任意精度计算就需要符号数学工具箱中的vpa和syms。不过对于大多数工程应用双精度浮点数已经足够过多追求高精度反而会影响运行速度。5.3 工具箱缺失问题MATLAB 的功能由许多工具箱组成。基础线性代数核心函数不需要额外安装但一旦用到syms、rgb2gray、eigs等就可能依赖特定工具箱。遇到报错后可以先在命令行执行which syms which rgb2gray如果输出显示“未找到”说明缺少对应工具箱。解决方式是安装对应工具箱或者改写为不依赖该工具箱的实现。比如图像灰度化可以手动计算加权平均值但没有rgb2gray时手动转换仍然需要矩阵操作这也可以作为强化矩阵练习的好机会。5.4 转置和点运算混淆很多初学者会在需要逐元素运算时错误使用矩阵乘法。判断标准很简单如果两个矩阵尺寸完全相同且你希望对应位置相乘使用.*如果希望按线性代数中的矩阵乘法进行行列交互求积使用*。同理sin(A)是对 A 的每个元素取正弦而不是矩阵的“矩阵正弦”函数。如果你确实需要矩阵函数意义上的正弦需要使用funm(A, sin)但这个概念在线性代数课程中较少出现初学阶段不必纠结。6. 最佳实践与工程建议6.1 尽量使用向量化运算MATLAB 对矩阵运算做了大量底层优化。能写成A .* B或A * B的地方尽量不要用双层 for 循环去逐元素计算。向量化不仅代码更短而且可读性更好运行速度也更快。例如计算数组平方和不要写s 0; for i 1:length(x) s s x(i)^2; end可以一次性写成s x(:) * x(:);这本质就是向量内积同时也是线性代数在编程中的体现。6.2 用左除代替显式求逆在求解A * x b时推荐写成A \ b不要写inv(A) * b。显式求逆会增加计算量并且放大数值误差。如果矩阵是奇异或欠秩的A \ b会给出最小二乘解并附带警告而inv(A)通常会直接失败或给出不可靠结果。如果需要求解x * A b则对应右除b / A。右除使用场景相对较少但规则和左除对称。6.3 代码组织与注释习惯建议把代码写进脚本或函数文件而不是在命令行窗口直接粘贴长代码。脚本文件建议使用这样的开头%% 清理工作区 clear; close all; clc;不过在实际工程中不要随手清理所有变量因为协同开发时其他人的工作区也可能受到影响。更推荐在脚本内部使用局部变量名并使用function封装核心逻辑。函数文件便于复用也能避免变量污染。注释方面可以在关键矩阵运算前说明它的数学含义例如“构造设计矩阵 X”这样一段时间后再读代码依然能快速理解当时的思路。6.4 善用帮助文档和调试工具遇到不熟悉的函数时命令行执行doc inv doc eig doc mldivideMATLAB 自带官方文档是很好的学习资料。调试脚本时可以在某个行号左侧点击设置断点然后逐步执行观察每个变量的尺寸和数值。很多矩阵维度错误通过在工作区中查看变量大小就能快速定位。6.5 关于有效数字和格式化输出有时候我们需要把数值保留两位有效数字。可以直接使用格式化函数x 1234.5678; s sprintf(%.2g, x); y str2double(s);%.2g表示保留两位有效数字。如果你的 MATLAB 版本较新也可以尝试y round(x, 2, significant);如果当前版本不支持该语法MATLAB 会提示错误这时改用sprintf方式即可。这种方法适合在生成报告、拼接标题时使用并不会改变数据本身的精度。6.6 安全与数据管理意识涉及数据文件读写时养成备份原始数据的习惯。尤其是做矩阵处理时如果对原矩阵进行覆盖性赋值例如直接写M M * 0.6一旦结果不理想原始数据就找不回来了。建议保留原始变量或者使用save保存副本save(data_original.mat, M);之后任何时候想恢复都可以load(data_original.mat);这个习惯在实验和工程项目中都非常重要。7. 延伸方向与学习建议到这里你已经能熟练使用 MATLAB 完成线性代数中最常见的计算矩阵输入、转置、乘法、行列式、秩、逆、特征值以及线性方程组求解。接下来可以继续深入的方向包括理解 QR 分解、LU 分解、SVD 分解的数值意义在数据科学中继续学习协方差矩阵、PCA、LDA 等线性方法在信号处理中学习傅里叶变换与滤波器的矩阵形式在数值计算中研究病态矩阵、条件数和正则化方法。如果觉得抽象可以把 3Blue1Brown 的《线性代数的本质》系列视频作为几何直观补充再用 MATLAB 把视频中提到的线性变换写成矩阵自己观察变换效果。比如二维旋转矩阵theta pi / 4; R [cos(theta), -sin(theta); sin(theta), cos(theta)]; points [1 0; 0 1]; rotated points * R;这种“先看几何再用代码验证”的方式能让你对矩阵乘法的意义有更深理解。不要怕报错也别急着追求复杂算法先从二维小矩阵开始逐步扩展到高维数据和真实工程问题。掌握几行代码并不难难的是把线性代数的几何直觉和数值实现连成一条线这条线一旦打通后面看很多算法都会轻松不少。 MATLAB线性代数实战教程：从矩阵运算到特征值分解
很多人学线性代数的时候最头疼的就是明明理解了概念却要手工做大量矩阵乘法、求逆、求特征值的计算。一旦数据变成 4 阶、5 阶草稿纸就不够用了。而 MATLAB 本身就以矩阵为基本运算单位天然适合用来验证定理、完成计算甚至解决工程中的数据拟合、图像压缩、主成分分析等问题。本文围绕“大谦MATLAB线性代数”这条学习主线整理一份免费的 MATLAB 教程式笔记从环境准备、矩阵基础操作一直讲到线性方程组、特征值分解、最小二乘和图像矩阵实战同时给出常见的报错排查方法和工程最佳实践。无论你是正在学线性代数的学生还是想用 MATLAB 快速做矩阵计算的工程师都可以照着本文一步步操作。1. 为什么要用 MATLAB 学线性代数1.1 线性代数的工程价值线性代数不只是数学系的一门基础课它是控制理论、信号处理、机器学习、计算流体力学、图像处理、结构分析等方向的底层工具。理解矩阵、向量、特征值、特征向量这些概念能帮助你读懂很多成熟算法搜索引擎的 PageRank 依赖特征向量人脸识别中的 PCA 依赖协方差矩阵分解电路仿真中的节点分析法最终也归结为线性方程组求解。不过很多人在学习时容易卡在“计算过程”上。一个 3 阶行列式还能手算一个 10 阶矩阵求逆就很容易算错。于是学习变成了背公式而不是理解矩阵背后的几何含义。MATLAB 把“矩阵计算”变成了接近自然语言的命令矩阵乘法和数学教材中的记号几乎一致因此是很好的验证工具。你可以把例题输入命令行立刻得到结果然后反过来观察规律。1.2 MATLAB 在线性代数学习中的优势MATLAB 的变量类型里面矩阵是最核心的数据结构。你不需要像 C 语言那样用双重循环去实现矩阵乘法也不需要像 Python 那样显式导入 numpy 库它原生就支持矩阵运算。比如A [1 2; 3 4]; B [5 6; 7 8]; C A * B;这里的A * B就是数学意义上的矩阵乘法。在 MATLAB 中这种表达方式和教科书上的写法高度一致学习成本低。另外MATLAB 内置了大量线性代数函数包括行列式det、逆矩阵inv、秩rank、特征值eig、奇异值分解svd、QR 分解qr等。学习者不需要自己造轮子只需要关注每个函数背后的数学意义以及适用条件。1.3 本教程的内容安排本文不追求把所有线性代数知识一次性讲完而是围绕最基础、最常用的算子展开。内容安排如下环境准备安装与命令行基础核心操作矩阵创建、索引、四则运算、点运算线性代数函数行列式、秩、逆矩阵、特征值、线性方程组求解实战案例插值拟合、最小二乘、PCA、图像矩阵处理常见问题维度错误、奇异矩阵、浮点误差等最佳实践向量化、用左除代替求逆、代码组织。这样的顺序可以让零基础读者先熟悉 MATLAB 的基本交互方式再逐步过渡到有数学背景的线性代数计算。2. 环境准备与基础操作2.1 MATLAB 安装与版本说明要运行本文的代码你首先需要有一个可用的 MATLAB 环境。官方正版渠道包括校园授权版、个人试用版、MATLAB Online 在线版。如果你所在学校或单位已经购买了 Toolbox 授权直接通过官网账户安装即可。这里不做安装包和破解类说明版本方面也不刻意指定旧版建议使用近几年的正式发布版本例如 R2022b、R2023b 以及之后的版本。需要特别留意的是本文某些示例会用到符号变量或者图像处理函数。如果报错提示找不到syms、rgb2gray说明当前安装内容不完整通常需要补充 Symbolic Math Toolbox 或 Image Processing Toolbox。如果只是完成线性代数基础计算核心产品下的det、inv、eig已经足够。如果你的电脑暂时无法安装 MATLAB也可以考虑 GNU Octave它的语法和 MATLAB 高度兼容适合练习本文大部分代码。不过部分工具箱差异较大遇到问题时建议回到 MATLAB 官方文档确认。2.2 命令行窗口与脚本基础安装完成后打开 MATLAB你会看到命令行窗口和当前文件夹。最简单的使用方式是在命令行窗口中直接输入表达式回车得到结果。例如 1 2 ans 3MATLAB 中默认变量名是ans用来保存上一次的计算结果。为了更清晰地管理数据我们通常把代码写入脚本文件。点击“新建脚本”保存为test_linear_algebra.m然后在脚本中写完代码后点击“运行”或者直接按 F5。脚本文件便于保存和修改也便于复现计算结果。本文后续代码都建议放在脚本文件中执行而不是一行行复制到命令行这样当矩阵维度变化时修改参数后可以重新运行整个流程。2.3 创建矩阵的基础方法MATLAB 创建矩阵主要有两个思路手动输入或者调用内置函数生成。手动输入时方括号[]用来界定矩阵空格或逗号分隔同一行的元素分号分隔不同行。例如% 3 行 3 列矩阵 A [1 2 3; 4 5 6; 7 8 9]; % 行向量 row [10 20 30]; % 列向量 col [1; 2; 3];除了手动输入还可以使用内置函数快速生成特殊矩阵。常见的有Z zeros(3); % 3x3 全 0 矩阵 O ones(2, 4); % 2 行 4 列全 1 矩阵 I eye(4); % 4 阶单位矩阵 R rand(3); % 3x3 均匀分布随机数矩阵 N randn(3); % 3x3 标准正态分布随机数矩阵 H hilb(4); % 4 阶 Hilbert 矩阵常用于病态矩阵实验这里需要注意zeros(3)默认生成 3×3 方阵zeros(2,4)则生成 2 行 4 列矩阵。单位矩阵eye非常常用因为它对应线性代数中的单位元很多推导中都离不开它。3. MATLAB 中的线性代数核心操作3.1 矩阵的转置、索引与变形转置在线性代数中就是把矩阵的行和列互换。MATLAB 中有两种写法A [1 2 3; 4 5 6]; B A.; % 普通转置 C A; % 共轭转置当矩阵元素是实数时B和C结果相同。但如果 A 是复数矩阵A会同时取共轭而A.只做行列互换。这是一个容易踩坑的地方。矩阵索引则是从矩阵中取出子块。MATLAB 索引从 1 开始和 C 语言从 0 开始不同。常用方式如下A [1 2 3; 4 5 6; 7 8 9]; A(2, 3) % 第 2 行第 3 列元素 A(1, :) % 第 1 行所有元素 A(:, 2) % 第 2 列所有元素 A(1:2, 2:3) % 前两行、第 2 到第 3 列组成的子矩阵 A([1 3], [2 3]) % 第 1 行和第 3 行、第 2 列和第 3 列交叉位置的元素这里冒号:用来表示“全部”或“范围”。如果你需要取出某矩阵的最后一列可以写成A(:, end)end表示该维度的最后一个索引。3.2 矩阵四则运算与点运算矩阵乘法和标量乘法很容易理解但 MATLAB 中有一个高频困惑点*与.*的区别。A * B是标准矩阵乘法要求 A 的列数等于 B 的行数A .* B是元素对应相乘要求 A 和 B 尺寸完全一致。看一个例子A [1 2; 3 4]; B [2 0; 1 2]; % 矩阵乘法 M A * B; % 元素对应乘法 P A .* B;A * B的结果是4 4 10 8而A .* B的结果是2 0 3 8类似地除法和幂运算也有点运算版本Q A ./ B; % 元素对应相除 E A .^ 2; % 每个元素平方如果不小心把.*写成*MATLAB 通常会提示维度不匹配。这个错误在初学者中非常常见。3.3 行列式、秩、迹与逆矩阵线性代数教材里的核心运算在 MATLAB 中都有一一对应的函数。以下矩阵均以 3×3 为例A [2 1 0; 1 3 2; 0 1 4]; d det(A); % 行列式 r rank(A); % 矩阵的秩 t trace(A); % 矩阵的迹主对角线元素之和 B inv(A); % 逆矩阵需要理解的是MATLAB 在计算这些函数时采用数值算法并不是通过展开行列式公式来计算。det(A)返回的是浮点数因此当结果非常接近 0 时不能直接断定矩阵不可逆更好的办法是观察rank或者计算条件数cond(A)。条件数越大矩阵越接近奇异求逆结果也越不可靠。判断一个矩阵是否可逆不建议使用det(A) 0这样的写法因为浮点误差会干扰判断。推荐结合rank和cond来做稳定性评估。3.4 特征值与特征向量特征值和特征向量是线性代数中最重要的概念之一。对可对角化矩阵A特征向量矩阵V和特征值对角矩阵D满足A [2 1; 1 2]; [V, D] eig(A);运行后D的对角线元素就是特征值V的每一列是对应的特征向量。可以验证B A * V; C V * D;理论上B与C相等但由于浮点误差二者之差会在非常小的量级。如果只需要特征值可以写成e eig(A);这里有一个容易混淆的点eig求的是稠密矩阵的全部特征值如果矩阵规模很大而且是稀疏的通常使用eigs来求一部分极值特征值。eigs依赖较复杂的迭代算法初学者不需要深究细节但要清楚两者的适用场景。3.5 解线性方程组与最小二乘线性方程组是线性代数最直接的应用。考虑2x y 5 x 3y 8写成矩阵形式A * x bA [2 1; 1 3]; b [5; 8]; x A \ b;点得到的x就是方程组的解。这里的反斜杠运算符非常重要它代表“左除”相当于求解A * x b。MATLAB 会根据矩阵性质自动选择合适算法比如高斯消元、LU 分解、QR 分解等而不是直接计算逆矩阵。推荐使用A \ b而不是x inv(A) * b因为左除在数值稳定性和计算效率上都更好。如果方程组是超定方程组也就是方程数量多于未知数通常不存在精确解此时A \ b会返回最小二乘意义下的解。这个特性在数据拟合中极其有用。4. 线性代数实战案例4.1 案例 1二次多项式插值假设我们知道三个点(0, 1)、(1, 3)、(2, 7)想找到一个二次多项式f(x) a x^2 b x c精确经过这三个点。把三个点代入后可以得到一个包含 3 个方程的线性方程组x [0; 1; 2]; y [1; 3; 7]; % 构造范德蒙德矩阵 V [x.^2, x, ones(3, 1)]; coeff V \ y;代码里的x.^2是对x的每一个元素做平方生成的矩阵V第一列是x^2第二列是x第三列是全 1。解出的coeff是[a; b; c]。运行后得到coeff 1 1 1说明插值多项式是f(x) x^2 x 1。可以快速验证x 0时结果为 1x 1时为 3x 2时为 7。这种构造线性方程组求解系数的方式是插值和拟合的基础。4.2 案例 2最小二乘数据拟合工程中很少要求曲线精确穿过每个数据点更多情况是数据带噪声。假设有一组近似满足y 2t 1的数据我们通过线性回归来估计参数rng(0); % 固定随机数种子保证结果可复现 t linspace(0, 1, 20); y 2 * t 1 0.1 * randn(20, 1); % 构造设计矩阵 X [t, 1] X [t, ones(20, 1)]; theta X \ y;这里的theta(1)是斜率估计值theta(2)是截距估计值。由于数据噪声存在估计结果不会严格等于 2 和 1但会很接近。背后原理是最小二乘解theta_ls (X * X) \ (X * y);和X \ y等价但直接用左除通常更稳定。通过这个案例可以直观看出线性代数在回归分析中的核心地位。4.3 案例 3PCA 主成分分析主成分分析是数据降维的经典方法本质上也是特征值分解的应用。我们生成一组二维数据然后旋转它使其存在明显相关性rng(1); data [3 * randn(100, 1) 2, 0.5 * randn(100, 1) 3]; % 旋转数据 theta_rot pi / 6; R [cos(theta_rot), -sin(theta_rot); sin(theta_rot), cos(theta_rot)]; data data * R; % 数据中心化 data data - mean(data); % 协方差矩阵 C (data * data) / (size(data, 1) - 1); % 特征值分解 [V, D] eig(C); [~, idx] sort(diag(D), descend); V V(:, idx); % 投影到主成分方向 score data * V;这个例子把“协方差矩阵”和“特征分解”串在了一起。协方差矩阵C的对角线表示每个维度的方差特征值表示投影到特征向量方向后方差的大小。排序后第一个主成分方向就是数据变化最大的方向。PCA 本质上就是在做这样一次坐标系旋转和降维选择。如果对可视化感兴趣可以在脚本中加上figure; plot(data(:,1), data(:,2), o); hold on; quiver(0, 0, V(1,1), V(2,1), r, LineWidth, 2); quiver(0, 0, V(1,2), V(2,2), b, LineWidth, 2); axis equal; legend(data, PC1, PC2);图中两条箭头就是两个主成分方向。可以看到数据沿红色箭头方向的波动更大。4.4 案例 4图像作为矩阵的简单处理图像的本质就是一个像素值矩阵。灰度图是二维矩阵彩色图是三维数组。利用矩阵运算我们可以快速实现图像裁剪、亮度调整、缩放等操作。先读取图像并转为灰度矩阵img imread(peppers.png); % 使用 MATLAB 自带的示例图 gray rgb2gray(img); M double(gray);由于imread读入的是无符号 8 位整数类型直接做加法、乘法可能溢出所以用double转成浮点型矩阵。现在裁剪左上角 64×64 区域block M(1:64, 1:64);把整张图变亮 40 个灰度级bright M 40;把整张图对比度降低也就是乘以一个小数dark M * 0.6;如果要把结果保存或显示出来需要先把数值限制在 0 到 255 之间dark max(min(dark, 255), 0); imshow(uint8(dark));这个案例把“图像就是矩阵”这一观念落实到代码中。理解这一点之后卷积、傅里叶变换、图像压缩等更高级内容都能从矩阵运算的角度去理解。5. 常见问题与排查思路5.1 高频错误对照表问题现象常见原因解决思路Matrix dimensions must agree.矩阵乘法或数组运算维度不匹配用size检查矩阵尺寸确认该用*还是.*Matrix must be square.对非方阵调用det、inv、eig改用pinv求伪逆或检查矩阵是否应该为方阵Matrix is singular to working precision.矩阵接近奇异或严格奇异用rank、cond判断考虑用pinv或正则化Undefined function syms缺少符号数学工具箱安装 Symbolic Math Toolbox 或改用数值方法Unable to read file文件路径存在中文或文件不存在把路径改为英文使用fullfile拼接路径结果出现1.2246e-16浮点计算误差导致不要用0判断设置阈值如abs(x) 1e-105.2 数值精度问题线性代数计算中浮点误差是不可避免的。比如sin(pi)理论上是 0但 MATLAB 返回1.2246e-16因为pi本身只是圆周率的浮点近似值。再比如计算行列式时理论上奇异矩阵的行列式应为 0但数值结果可能是一个极小的数。此时应使用rank或cond来判断矩阵性质。如果需要查看更高精度的显示结果可以用format long这只是改变显示精度不会改变内部计算精度。如果确实需要任意精度计算就需要符号数学工具箱中的vpa和syms。不过对于大多数工程应用双精度浮点数已经足够过多追求高精度反而会影响运行速度。5.3 工具箱缺失问题MATLAB 的功能由许多工具箱组成。基础线性代数核心函数不需要额外安装但一旦用到syms、rgb2gray、eigs等就可能依赖特定工具箱。遇到报错后可以先在命令行执行which syms which rgb2gray如果输出显示“未找到”说明缺少对应工具箱。解决方式是安装对应工具箱或者改写为不依赖该工具箱的实现。比如图像灰度化可以手动计算加权平均值但没有rgb2gray时手动转换仍然需要矩阵操作这也可以作为强化矩阵练习的好机会。5.4 转置和点运算混淆很多初学者会在需要逐元素运算时错误使用矩阵乘法。判断标准很简单如果两个矩阵尺寸完全相同且你希望对应位置相乘使用.*如果希望按线性代数中的矩阵乘法进行行列交互求积使用*。同理sin(A)是对 A 的每个元素取正弦而不是矩阵的“矩阵正弦”函数。如果你确实需要矩阵函数意义上的正弦需要使用funm(A, sin)但这个概念在线性代数课程中较少出现初学阶段不必纠结。6. 最佳实践与工程建议6.1 尽量使用向量化运算MATLAB 对矩阵运算做了大量底层优化。能写成A .* B或A * B的地方尽量不要用双层 for 循环去逐元素计算。向量化不仅代码更短而且可读性更好运行速度也更快。例如计算数组平方和不要写s 0; for i 1:length(x) s s x(i)^2; end可以一次性写成s x(:) * x(:);这本质就是向量内积同时也是线性代数在编程中的体现。6.2 用左除代替显式求逆在求解A * x b时推荐写成A \ b不要写inv(A) * b。显式求逆会增加计算量并且放大数值误差。如果矩阵是奇异或欠秩的A \ b会给出最小二乘解并附带警告而inv(A)通常会直接失败或给出不可靠结果。如果需要求解x * A b则对应右除b / A。右除使用场景相对较少但规则和左除对称。6.3 代码组织与注释习惯建议把代码写进脚本或函数文件而不是在命令行窗口直接粘贴长代码。脚本文件建议使用这样的开头%% 清理工作区 clear; close all; clc;不过在实际工程中不要随手清理所有变量因为协同开发时其他人的工作区也可能受到影响。更推荐在脚本内部使用局部变量名并使用function封装核心逻辑。函数文件便于复用也能避免变量污染。注释方面可以在关键矩阵运算前说明它的数学含义例如“构造设计矩阵 X”这样一段时间后再读代码依然能快速理解当时的思路。6.4 善用帮助文档和调试工具遇到不熟悉的函数时命令行执行doc inv doc eig doc mldivideMATLAB 自带官方文档是很好的学习资料。调试脚本时可以在某个行号左侧点击设置断点然后逐步执行观察每个变量的尺寸和数值。很多矩阵维度错误通过在工作区中查看变量大小就能快速定位。6.5 关于有效数字和格式化输出有时候我们需要把数值保留两位有效数字。可以直接使用格式化函数x 1234.5678; s sprintf(%.2g, x); y str2double(s);%.2g表示保留两位有效数字。如果你的 MATLAB 版本较新也可以尝试y round(x, 2, significant);如果当前版本不支持该语法MATLAB 会提示错误这时改用sprintf方式即可。这种方法适合在生成报告、拼接标题时使用并不会改变数据本身的精度。6.6 安全与数据管理意识涉及数据文件读写时养成备份原始数据的习惯。尤其是做矩阵处理时如果对原矩阵进行覆盖性赋值例如直接写M M * 0.6一旦结果不理想原始数据就找不回来了。建议保留原始变量或者使用save保存副本save(data_original.mat, M);之后任何时候想恢复都可以load(data_original.mat);这个习惯在实验和工程项目中都非常重要。7. 延伸方向与学习建议到这里你已经能熟练使用 MATLAB 完成线性代数中最常见的计算矩阵输入、转置、乘法、行列式、秩、逆、特征值以及线性方程组求解。接下来可以继续深入的方向包括理解 QR 分解、LU 分解、SVD 分解的数值意义在数据科学中继续学习协方差矩阵、PCA、LDA 等线性方法在信号处理中学习傅里叶变换与滤波器的矩阵形式在数值计算中研究病态矩阵、条件数和正则化方法。如果觉得抽象可以把 3Blue1Brown 的《线性代数的本质》系列视频作为几何直观补充再用 MATLAB 把视频中提到的线性变换写成矩阵自己观察变换效果。比如二维旋转矩阵theta pi / 4; R [cos(theta), -sin(theta); sin(theta), cos(theta)]; points [1 0; 0 1]; rotated points * R;这种“先看几何再用代码验证”的方式能让你对矩阵乘法的意义有更深理解。不要怕报错也别急着追求复杂算法先从二维小矩阵开始逐步扩展到高维数据和真实工程问题。掌握几行代码并不难难的是把线性代数的几何直觉和数值实现连成一条线这条线一旦打通后面看很多算法都会轻松不少。