Блокноты MuPAD® будут демонтированы в будущем релизе. Используйте live скрипты MATLAB® вместо этого.
Live скрипты MATLAB поддерживают большую часть функциональности MuPAD, хотя существуют некоторые различия. Для получения дополнительной информации смотрите, Преобразуют Notebook MuPAD в Live скрипты MATLAB.
Для числовых функций факторизации можно использовать HardwareFloats
, SoftwareFloats
и Symbolic
опции. Для получения информации об этих опциях смотрите раздел Numeric Determinant. Для получения дополнительной информации смотрите, что страницы справки числовых функций предусмотрели каждую конкретную функцию факторизации.
Разложение Холесского Эрмитовой (самопримыкающей) положительной определенной матрицы является продуктом нижнего треугольного матричного L
и его Эрмитовы транспонируют L H: A = L LH. Эрмитовы транспонируют матрицы, сопряженное комплексное число транспонировать. Для действительных симметричных положительных определенных матриц, A = L LT, где L T является транспонированием L
.
Можно выполнить факторизацию Холесского комплексных матриц символически при помощи linalg::factorCholesky
или численно при помощи numeric::factorCholesky
. Например, создайте следующее 2×2 матрица:
A := matrix([[sin(1), I], [-I, exp(2)]])
Во-первых, вычислите разложение Холесского той матрицы при помощи символьного linalg::factorCholesky
функция:
L := linalg::factorCholesky(A)
Теперь вычислите разложение Холесского при помощи символьного numeric::factorCholesky
функция:
L := numeric::factorCholesky(A)
При использовании numeric::factorCholesky
, можно предотвратить преобразование данных к числам с плавающей запятой и, поэтому, получить символьный результат при помощи Symbolic
опция:
L := numeric::factorCholesky(A, Symbolic)
Продукт треугольной матрицы L
и его Эрмитовы транспонируют, дает исходный матричный A
:
testeq(A = L*htranspose(L))
LU-факторизация выражает m ×n матричный A
как продукт нижнего треугольного матричного L
и верхняя треугольная матрица U
: A = L U. Кроме того, LU-разложение может включить матрицу перестановок строки: P A = L U. Чтобы вычислить LU-разложение матрицы численно, используйте numeric::factorLU
функция. Например, создайте следующее 4×4 матрица Теплица:
T := linalg::toeplitz(4, [1, 2, 3, 4, 5])
Используйте numeric::factorLU
функция, чтобы вычислить LU-разложение матричного T
численно:
[L, U, p] := numeric::factorLU(T)
Вместо того, чтобы возвратить матрицу перестановок P
, MuPAD® возвращает список p
с числами, соответствующими строке, обменивается в матричном T
. Для n ×n матрица, список p
представляет следующую матрицу перестановок с индексами i
и j
в пределах от 1 к n
:
.
Используя это выражение, восстановите матрицу перестановок P
из списка p
:
P := matrix(4, 4): for i from 1 to 4 do P[i, p[i]] := 1 end_for: P
Более эффективно вычислите результат применения матрицы перестановок к A
не восстанавливая саму матрицу перестановок:
PT := matrix(4, 4): for i from 1 to 4 do PT[i, 1..4] := T[p[i], 1..4] end_for: PT
В точности с плавающей точкой, продукте нижнего треугольного матричного L
и верхняя треугольная матрица U
исходный матричный A
со строками, которыми обмениваются согласно матрице перестановок P
:
float(PT) = L*U
Символьная функция LU-факторизации использует различную вертящуюся стратегию, чем числовая функция LU-факторизации. Поэтому символьная функция может возвратить различные результаты для той же матрицы:
linalg::factorLU(T)
QR-факторизация выражает m ×n матричный A
можно следующим образом: A = Q*R
. Здесь Q
m ×m унитарная матрица и R
m ×n верхняя треугольная матрица. Если компоненты A
вещественные числа, Q
ортогональная матрица. Чтобы вычислить разложение QR матрицы численно, используйте numeric::factorQR
функция. Например, создайте следующее 3×3 матрица Вандермонда:
V := linalg::vandermonde([2, PI, 1/3])
При вычислении разложения QR той матрицы символически, вы получаете следующий длинный результат:
[Q, R] := linalg::factorQR(V)
Чтобы получить более короткий ответ, аппроксимируйте этот результат числами с плавающей запятой:
[Q, R] := float([Q, R])
Можно получить тот же результат быстрее путем вызывания числовой функции факторизации с начала:
[Q, R] := numeric::factorQR(V)
В точности с плавающей точкой, продукте Q
и R
дает оригиналу 3×3 матричный V
Вандермонда:
float(V) = Q*R
Сингулярное разложение выражает m ×n матричный A
можно следующим образом: A = U S VH. Здесь S является m ×n диагональная матрица с сингулярными значениями A
на его диагонали. Столбцы m ×m матричный U являются оставленными сингулярными векторами для соответствующих сингулярных значений. Столбцы n ×n матричный V являются правильными сингулярными векторами для соответствующих сингулярных значений. V H является Эрмитовым, транспонируют (сопряженное комплексное число транспонирования) V.
Чтобы вычислить сингулярное разложение матрицы, используйте numeric::svd
или numeric::singularvectors
функция. Эти две функции эквивалентны. Например, вычислите сингулярное разложение следующей матрицы:
A := matrix([[9, 4], [6, 8], [2, 7]]): svd := numeric::svd(A)
Вместо того, чтобы возвратить диагональный матричный S, MuPAD возвращает список d
из диагональных элементов той матрицы:
d := svd[2]
Можно восстановить матричный S из того списка:
S := matrix(3, 2, d, Diagonal)
numeric::svd
функция также вычисляет остатки res U и res V для числовых сингулярных векторов. Остатки являются предполагаемыми ошибками для числовых матриц U и V:
res_U = svd[4]; res_V = svd[5]
Маленькие значения остатка указывают, что ошибки округления не значительно влияют на результаты. Чтобы подавить расчет остатков, используйте NoResidues
опция:
svd := numeric::svd(A, NoResidues)
В точности с плавающей точкой продукт U, S и Эрмитового транспонирует V, возвращает исходный матричный A
:
[U, d, V, res_U, res_V] := svd: A = U*S*conjugate(transpose(V))