Xreferat.com » Рефераты по информатике и программированию » Система математических расчетов MATLAB

Система математических расчетов MATLAB

0.0070 -0.0051


Дробные степени, например A^(2/3), также допускаются; результаты при этом зависят от ра-спределения собственных значений матрицы А.


Поэлементное возведение в степень


Оператор .^ (с точкой !) осуществляет поэлементное возведение в степень. Например,


X = A.^2

A =

1 1 1

1 4 9

1 9 36


Вычисление корня квадратного из матрицы и матричной экспоненты


Для невырожденных квадратных матриц А функция sqrtm вычисляет главное значение квад-ратного корня , т.е. если X = sqrtm(A) , то X*X = A . Буква m в sqrtm означает, что выпол-няется матричная операция. Это отличает данную функцию от sqrt(A), которая, подобно A.^(1/2) (обратите внимание на точку !), выполняет операцию извленчения корня поэлемен-тно.

Система обыкновенных линейных дифференциальных уравнений первого порядка может быть записана в виде

dx/dt = Ax


где x = x(t) есть векторная функция от t, а A есть постоянная матрица не зависящая от t.

Решение данной системы может быть выражено в виде матричной экспоненты.


x(t) = ℮Atx(0)


Функция expm(A) вычисляет матричную экспоненту. Рассмотрим пример системы диффере-нциальных уравнений со следующей 3х3 матрицей коэффициентов


A =

0 -6 -1

6 2 -16

-5 20 -10


и начальными условиями x(0)


x0 = [ 1 1 1]’.


Использование матричной экспоненты для вычисления решения дифференциального уравне-ния в 101 точке с шагом 0.01 на интервале 0 ≤ t ≤ 1 записывается в виде


X = [ ];

for t = 0 : 0.01 : 1

X = [X expm(t*A)*x0];

end


Трехмерный график решения в фазовом пространстве может быть получен при помощи спе-циальной функции

plot3(X(1,:), X(2,:), X(3,:), '-o')


Решение имеет вид спиральной функции сходящейся к началу координат (см. рис. ниже). Та-кое решение обусловлено комплексными собственными значениями матрицы коэффициен-тов А.


Система математических расчетов MATLAB


Собственные значения и собственные векторы


Собственным значением и собственным вектором квадратной матрицы А называются ска-ляр λ и вектор v, удовлетворяющие условию

Av = λv


Диагональная декомпозиция


Имея диагональную матрицу Λ, составленную из собственных значений λ матрицы А и мат-рицу V , составленную из соответствующих собственных векторов v, можно записать


AV = VΛ


Если матрица V несингулярная, на основании данного выражения получаем спектральное разложение матрицы А


А = VΛV-1


Неплохой пример использования спектрального разложения дает рассмотренная выше мат-рица коэффициентов линейного дифференциального уравнения. Ввод выражения


lambda = eig(A)


дает следующий вектор-столбец собственных значений (два из них являются комплексно-сопряженными)


lambda =

-3.0710

-2.4645 + 17.6008i

-2.4645 - 17.6008i


Действительные части всех собственных значения являются отрицательными, что обеспечи-вает устойчивость процессов в системе. Ненулевые мнимые части комплексно-сопряженных собственных значений обуславливают колебательный характер переходных процессов.

При двух выходных аргументах, функция eig вычисляет также собственные векторы и выда-ет собственные значения в виде диагональной матрицы

.

[V,D] = eig(A)


V =

-0.8326 0.2003 - 0.1394i 0.2003 + 0.1394i

-0.3553 -0.2110 - 0.6447i -0.2110 + 0.6447i

-0.4248 -0.6930 -0.6930


D =

-3.0710 0 0

0 -2.4645+17.6008i 0

0 0 -2.4645-17.6008i


Первый собственный вектор (первый столбец матрицы V) является действительным, а два других являются комплексно-сопряженными. Все три вектора являются нормализованными по длине, т.е. их Евклидова норма norm(v,2), равна единице.

Матрица V*D*inv(V), которая в более сжатой форме может быть записана как V*D/V, равна, в пределах погрешностей округления, матрице А. Аналогично, inv(V)*A*V, или VA*V, рав-на, в пределах погрешностей округления, матрице D.


Дефектные матрицы


Некоторые матрицы не имеют спектрального разложения. Такие матрицы называются дефек-тными или не диагонализируемыми. Например, пусть матрица А имеет вид


A =

6 12 19

-9 -20 -33

4 9 15


Для этой матрицы ввод [V, D] = eig(A) дает


V =

-0.4741 -0.4082 -0.4082

0.8127 0.8165 0.8165

-0.3386 -0.4082 -0.4082

D =

-1.0000 0 0

0 1.0000 0

0 0 1.0000


Здесь имеются два положительных единичных кратных собственных значений. Второй и третий столбцы матрицы V являются одинаковыми и поэтому полного набора линейно-неза-висимых собственных векторов не существует (и поэтому не существует обратная матрица V-1).


Сингулярное разложение матриц


Сингулярным значением и соответствующими сингулярными векторами прямоугольной ма-трицы A называются скаляр σ и пара векторов u и v такие, что удовлетворяются соотноше-ния

Av = σu

ATu = σv


Имея диагональную матрицу сингулярных чисел Σ и две ортогональные матрицы U и V, сформированные из соответствующих собственных векторов, можно записать


AV = U Σ

ATU = V Σ


Поскольку U и V являются ортогональными матрицами, это можно записать в виде сингуляр-ного разложения


A = U ΣVT


Полное сингулярное разложение матрицы А размера mхn включает mхm матрицу U, mхn матрицу Σ, и nхn матрицу V. Другими словами, обе матрицы U и V являются квадратными , а матрица Σ имеет тот же размер, что и A. Если A имеет намного больше строк чем столб-цов, результирующая матрица U может быть достаточно большой, но большинство ее столб-цов умножаются на нули в Σ . В таких ситуациях может быть использована так называемая экономичная декомпозиция, которая сберегает как время так и память, за счет вывода матри-цы U размера mхn, матрицы Σ размера nхn и той же матрицы V.

Спектральное разложение является подходящим инструментом анализа матрицы, когда пос-ледняя осуществляет преобразование векторного пространства в себя, как это было в рас-смотренном выше примере дифференциальных уравнений. С другой стороны, сингулярное разложение матриц удобно при отображении одного векторного пространства в другое, возможно с иной размерностью. Большинство систем совместных линейных уравнений отно-сятся ко второй категории. Если матрица А является квадратной, симметричной и поло-жительно-определенной, то ее спектральное и сингулярное разложения совпадают. Но при отклонении A от симметричной и положительно-определенной матрицы, разница между двумя разложениями возрастает. В частности, сингулярное разложение действительной мат-рицы всегда действительно, но спектральное разложение действительной несимметричной матрицы может быть и комплексным.

Для матрицы


A =

9 4

6 8

2 7


полное сингулярное разложение задается в форме


[U,S,V] = svd(A)


и приводит к следующим результатам


U =

-0.6105 0.7174 0.3355

-0.6646 -0.2336 -0.7098

-0.4308 -0.6563 0.6194


S =

14.9359 0

0 5.1883

0 0


V =

-0.6925 0.7214

-0.7214 -0.6925


Вы можете убедиться, что матрица U*S*V' равна А с точностью до ошибок округления. Для этого примера экономичная декомпозиция дает незначительный эффект.

[U,S,V] = svd(A,0)

U =

-0.6105 0.7174

-0.6646 -0.2336

-0.4308 -0.6563

S =

14.9359 0

0 5.1883


V =

-0.6925 0.7214

-0.7214 -0.6925


Как и в первом случае, матрица U*S*V' равна A с точностью до ошибок округления.


Полиномы и интерполяция


В этом разделе мы ознакомимся с основными функциями MATLAB-а, которые дают возмож-ность осуществлять математические действия с полиномами и производить интерполяцию одно-, двух-, и многомерных данных.


Полиномы и действия над ними


Обзор полиномиальных функций

Функция

Описание

conv

Умножение полиномов.

deconv

Деление полиномов.

poly

Вычисление характеристического полинома матрицы или определение полинома с заданными корнями.

polyder

Вычисление производных от полиномов.

polyfit

Аппроксимация данных полиномом.

polyval

Вычисление значений полиномов в заданных точках.

polyvalm

Вычисление значений матричного полинома.

residue

Разложение на простые дроби (вычисление вычетов).

roots

Вычисление корней полинома.

Представление полиномов


MATLAB представляет полиномы как векторы-строки, содержащие коэффициенты полино-мов по убывающим степеням. Например, рассмотрим следующее уравнение


p(x) = x3 – 2x – 5


Это известный пример Валлиса (Wallis), использованный при первом представлении метода Ньютона во Французкой Академии. Мы будем использовать его в дальнейшем при рассмот-рении примеров использования различных функций. Для ввода данного полинома в MATLAB, следует записать


p = [1 0 -2 -5].


Корни полинома


Корни полинома вычисляются при помощи функци roots :


r = roots(p)

r =

2.0946

-1.0473 + 1.1359i

-1.0473 - 1.1359i


MATLAB запоминает вычисленные корни как вектор-столбец. Функция poly выполняет об-ратную роль, то есть по заданным корням полинома вычисляет значения его коэффициентов (обратите внимание на значение второго коэффициента, который в идеале равен нулю).


p2 = poly(r)

Если Вам нужна помощь с академической работой (курсовая, контрольная, диплом, реферат и т.д.), обратитесь к нашим специалистам. Более 90000 специалистов готовы Вам помочь.
Бесплатные корректировки и доработки. Бесплатная оценка стоимости работы.

Поможем написать работу на аналогичную тему

Получить выполненную работу или консультацию специалиста по вашему учебному проекту
Нужна помощь в написании работы?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Пишем статьи РИНЦ, ВАК, Scopus. Помогаем в публикации. Правки вносим бесплатно.

Похожие рефераты: