企业官网建设流程全解析

MATLAB 线性代数，是 MATLAB 使用频率最高、也最容易被低估的部分。很多人把 MATLAB 当成一个高级计算器，看到+-*就直接写，却忽略了 MATLAB 从诞生之初就以矩阵为最小计算单位。真正进入工程场景后，线性方程组的求解方式、矩阵分解的选择、维度不匹配的报错，都会成为影响调试效率的关键因素。

这份免费 MATLAB 教程的线性代数分篇，会从矩阵的基本操作讲起，接着覆盖线性方程组求解、矩阵分解、特征值与奇异值，再落到最小二乘拟合、图像处理、Simulink 和光学仿真等常见工程场景。学完之后，你可以建立一条清晰的 MATLAB 线性代数操作框架：知道什么情况用A\b，什么情况用eig，什么时候该检查条件数，什么时候要考虑稀疏矩阵。

1. 矩阵在 MATLAB 中不只是数据结构，更是计算单位

1.1 为什么 MATLAB 以矩阵为最小计算单位

MATLAB 的名称来源于 Matrix Laboratory，这个背景决定了它的大部分计算逻辑都围绕矩阵展开。即使是一个普通的数值5，在 MATLAB 中也可以看作一个1×1的矩阵；一个向量是一个1×n或n×1的矩阵；一张灰度图像是一个m×n的数值矩阵；一组时间序列数据也可以按一列或多列组织成矩阵。

这种设计带来一个直接好处：运算规则高度统一。线性代数中的矩阵乘法、转置、求逆、分解、特征值计算，在 MATLAB 中都有对应的原生函数，不需要自己再去写循环。对于工程人员来说，理解这一点非常重要，因为很多看似复杂的报错，最后都能归结为“矩阵维度不匹配”或“把矩阵运算当成了标量运算”。

实际项目里，最常见的误区是把线性代数当成数学课的独立章节，学完就忘。但在 MATLAB 中，线性代数不是孤立知识，它服务于控制系统、信号处理、图像处理、机器学习、光学仿真、Simulink 建模等场景。只有把矩阵运算作为底层语言，才能在看懂别人代码时更快抓住核心。

1.2 学习环境与版本选择：能跑起来比追求最新版本更重要

学习 MATLAB 线性代数，环境准备不需要太复杂。MATLAB 是商业软件，正式使用需要授权。常见做法是使用学校或公司的授权版本，也可以到官网申请试用，或者使用 MATLAB Online 这类在线方式。具体安装和授权流程请以 MathWorks 官方信息为准，不要盲目相信网上所谓的“最新版安装包”。

版本选择上，线性代数的基础语法在近几个版本里变化不大。如果你的版本是 R2021a、R2022b、R2023b，或者更新的版本，本教程中的代码基本都能运行。真正影响运行的，是某个具体函数是否属于已安装的工具箱，以及你的 MATLAB 是否配置好了编译器或外部接口。

安装完成后，建议先在命令行窗口确认环境：

version ver

version显示 MATLAB 版本号，ver列出已安装的工具箱列表。如果后面运行eig、svd这些函数时提示找不到函数，先回到这一步确认工具箱是否完整。

环境准备阶段可以按下面这个清单检查：

1.3 从“变量”思维切换到“矩阵”思维

很多初学者在 Python 或其他语言里习惯了“变量 + for 循环”，到了 MATLAB 仍然沿用这个习惯。线性代数场景下，更推荐的做法是先设计矩阵结构，再调用矩阵函数。理解这一点，可以先从检查维度开始。

看下面这段代码：

x = 1:5; size(x)

x并不是一个“数组大小不确定”的东西，size(x)会返回1 5，说明它是一个行向量。有人想生成列向量，会写成：

y = 1:5'; size(y)

这里要特别小心。1:5'在 MATLAB 中并不是(1:5)'，因为单引号优先级会先作用于5，而5'仍然是5，所以结果依然是一个1×5行向量。如果想得到列向量，应该写成：

z = (1:5)'; size(z)

这就是典型的“矩阵思维”问题。不要凭直觉写，要时刻问自己：当前变量是行向量还是列向量，矩阵乘法要求的内维是否匹配，输出结果会是什么形状。可以用whos查看变量的具体信息：

whos x y z

这个命令会显示每个变量的名称、大小、字节数、类型。当代码出现Matrix dimensions must agree报错时，第一时间运行size或whos，往往比逐行读代码更快。

2. 从建矩阵到取数据：先掌握矩阵的基本操作

2.1 创建矩阵的常见方法

创建矩阵最直接的方式是使用方括号。同一行元素用空格或逗号分隔，不同行用分号分隔：

A = [1 2 3; 4 5 6; 7 8 9];

这里A是一个3×3矩阵。如果想创建更复杂的矩阵，可以使用 MATLAB 内置函数：

Z = zeros(3, 4); % 3 行 4 列全零矩阵 O = ones(2, 5); % 2 行 5 列全一矩阵 I = eye(4); % 4×4 单位矩阵 R = rand(3, 3); % 3×3 均匀分布随机矩阵 N = randn(3, 3); % 3×3 正态分布随机矩阵 D = diag([1 2 3]); % 对角矩阵

创建矩阵之后，要观察它的形状。不要只靠“我觉得它应该是这个维度”，用size来确认：

size(A) size(R)

如果要把多个矩阵拼接起来，行方向用逗号，列方向用分号：

B = [A, A]; % 横向拼接，列数翻倍 C = [A; A]; % 纵向拼接，行数翻倍

横向拼接要求两个矩阵行数相同，纵向拼接要求列数相同。如果不一致，会直接报错，这也是Dimensions of arrays being concatenated are not consistent的常见来源。

2.2 索引、切片与变形

MATLAB 的矩阵索引使用圆括号，第一个下标是行，第二个下标是列。例如：

A = [1 2 3; 4 5 6; 7 8 9]; a12 = A(1, 2); % 第 1 行第 2 列，结果为 2 firstColumn = A(:, 1); secondRow = A(2, :); sub = A(1:2, 2:3); % 取第 1 到第 2 行、第 2 到第 3 列

A(:)会把矩阵按列顺序拉成一个列向量。这是线性索引的体现：MATLAB 的矩阵在内存中按列优先存储，因此A(5)访问的是第 5 个元素，不是第 5 行第 5 列。

变形操作中，reshape最常用：

V = 1:12; M = reshape(V, 3, 4);

reshape要求变换前后元素总数一致。1:12共 12 个元素，可以变成3×4或4×3，但不能变成3×5。

复制平铺可以用repmat：

rowVec = [1 2 3]; rep = repmat(rowVec, 2, 1);

结果为两行[1 2 3]。repmat会显著扩大内存，处理大矩阵时不要滥用，先确认是否真的需要。

转置也是常见操作。实数矩阵转置直接用A'没问题，但如果矩阵是复数，A'是共轭转置，而A.'才是普通转置。这个细节在信号处理和复数矩阵运算中经常成为隐性 bug。

2.3 常用矩阵操作函数速查表

日常 MATLAB 线性代数代码中，下面这些函数出现频率最高：

使用这些函数时，最有效的学习方法是在命令窗口输入doc 函数名，例如doc norm。文档页面会给出定义、参数说明、算法背景和示例，比死记硬背更可靠。

注意：不要用det(A)是否接近 0 来判断矩阵是否可逆。浮点误差会让行列式结果在极小值和真实值之间产生偏差，更可靠的是rcond(A)或cond(A)。

3. 解线性方程组：用 A\b 而不是盲目求逆

3.1 从数学式 Ax=b 到代码 A\b

线性方程组是线性代数最直接的工程应用。数学上，求解Ax = b需要找到向量x，使得矩阵A乘上x得到b。在 MATLAB 中，最推荐的写法是：

A = [2 1; 1 3]; b = [5; 6]; x = A\b;

这里的反斜杠符号\是左除，专门用于求解Ax = b。运行后得到的x就是一个满足条件的解。可以通过残差验证：

residual = A*x - b; norm(residual)

如果norm(residual)非常小，比如1e-14左右，说明解是正确的。因为浮点运算存在误差，要求结果为严格的 0 并不现实，只要残差在机器精度量级即可。

必须区分左除和右除。A\b是左除，对应A*x = b；b/A是右除，对应x*A = b。两者含义不同，不能混用。

3.2 为什么不要只依赖 inv(A)

有些人解方程会写成x = inv(A)*b。这种写法在数学上等价于x = A^(-1)*b，但在数值计算中通常不是首选。

inv(A)会先计算完整逆矩阵，再用矩阵乘法和b相乘。这个过程计算量更大，而且在矩阵接近奇异或条件数很大时，会放大数值误差。A\b则会根据A的特点选择合适算法，比如 LU 分解、Cholesky 分解、最小二乘等，稳定性更好。

下面用 Hilbert 矩阵对比两种方式。Hilbert 矩阵是典型的病态矩阵，阶数升高后问题非常明显：

n = 10; A = hilb(n); b = ones(n, 1); x1 = A\b; x2 = inv(A)*b; residual1 = norm(A*x1 - b); residual2 = norm(A*x2 - b); disp([residual1 residual2]);

在我本机的一次运行中，x1的残差通常比x2小一个数量级以上，矩阵阶数越高差异越明显。结论是：在 MATLAB 中解Ax = b，优先写A\b，不要用inv(A)*b。

只有在确实需要得到逆矩阵本身，并且矩阵规模很小、条件数很好时，才使用inv(A)。

3.3 超定方程、欠定方程与稀疏矩阵

实际工程里不是所有方程组都有唯一解。

超定方程组指方程数大于未知数个数，例如用多个观测点拟合一条曲线。A\b在矩阵不是方阵时不会报错，而会返回最小二乘意义下的解，即让norm(A*x - b)最小的x。例如：

A = [1 1; 1 2; 1 3]; b = [2.1; 2.9; 4.2]; x = A\b;

欠定方程组指未知数个数大于方程数，A\b会返回一个具有最小范数的解。这类问题在控制系统分配、信号重构中很常见。

处理大型稀疏矩阵时，普通矩阵会消耗大量内存。比如一个只在对角线附近有值的带状矩阵，如果按全矩阵存储，很多零元素会被白白存下来。可以改用稀疏矩阵：

n = 100; A = spdiags([-ones(n,1), 4*ones(n,1), -ones(n,1)], [-1 0 1], n, n); b = ones(n, 1); x = A\b;

spdiags按对角线创建稀疏矩阵。A\b对稀疏矩阵仍然是有效的，它会自动选择适合稀疏结构的算法。对于更大的矩阵，还可以考虑迭代求解器，例如pcg：

x = pcg(A, b, 1e-10, 100);

这一行表示用共轭梯度法求解，目标相对残差为1e-10，最大迭代次数为 100。迭代法只适合满足特定条件的矩阵，使用前需要确认矩阵是否对称正定。不要为了展示技术而盲目使用迭代法。

4. 矩阵分解和特征值：看清矩阵的内部结构

4.1 特征值、奇异值与矩阵分解的含义

矩阵分解的本质，是把一个复杂矩阵拆成几个结构简单的矩阵相乘，以便看清它内部的变换特性。特征值分解适用于方阵，奇异值分解适用于任意矩阵。

用通俗的方式理解，特征值描述的是一个矩阵在某个特征向量方向上“拉伸或者压缩了多少倍”。如果特征值为 2，说明沿对应特征向量方向的向量被放大 2 倍；如果特征值为 0，说明该方向上存在零空间。奇异值分解则把特征值的思想推广到非方阵，例如把一张m×n的灰度图像分解成左奇异向量、奇异值矩阵和右奇异向量，常用于图像压缩和降维。

LU 分解会把矩阵拆成下三角矩阵和上三角矩阵，适合解线性方程组。QR 分解适合最小二乘问题和特征值算法的底层实现。理解这些分解的适用场景，比死记分解公式更有价值。

4.2 eig、svd、lu、qr 的最小用法

特征值分解用eig：

A = [1 2; 2 1]; [V, D] = eig(A); lambda = diag(D);

D是对角矩阵，对角线上的元素就是特征值，V的每一列是对应的特征向量。验证时，可以检查特征值分解的核心等式：

err = norm(A*V - V*D, 'fro');

err很接近 0，说明分解正确。

奇异值分解用svd：

A = [1 2 3; 4 5 6]; [U, S, V] = svd(A); reconstructed = U*S*V'; err = norm(A - reconstructed, 'fro');

这里U是2×2矩阵，S是2×3对角矩阵，V是3×3矩阵。svd会根据输入矩阵的形状自动调整输出矩阵大小。

LU 分解用lu：

A = [4 3; 6 3]; [L, U, P] = lu(A); reconstructed = P' * L * U; err = norm(A - reconstructed, 'fro');

注意：MATLAB 的lu返回的L、U、P满足P*A = L*U，所以要重建原矩阵A，需要用到P' * L * U，而不是直接L*U。

QR 分解用qr：

A = [1 2; 3 4; 5 6]; [Q, R] = qr(A); err = norm(A - Q*R, 'fro');

Q是正交矩阵，R是上三角矩阵。QR 分解在最小二乘问题中很关键，数值稳定性通常优于直接构造法方程。

4.3 分解结果如何验证

很多学习者在运行eig、svd后只看输出结果，从不验证。实际上，任何矩阵分解都应该用“残差”验证一下。

常用验证命令：

norm(A*V - V*D, 'fro') norm(A - U*S*V', 'fro') norm(A - P'*L*U, 'fro') norm(A - Q*R, 'fro')

'fro'表示 Frobenius 范数，相当于把矩阵当成一个长向量计算二范数，适合衡量整体误差。残差如果接近1e-14量级，说明分解正确；如果很大，说明代码里的重建顺序或维度理解有问题。

此外，评估矩阵是否“稳定”也很重要。条件数cond(A)反映的是线性方程组对误差的敏感程度。条件数接近 1，说明问题良态；条件数很大，说明病态，微小扰动都会导致结果剧烈变化。

A = [1 2; 2 4]; cond(A)

这个矩阵是奇异的，cond(A)会非常大。实际计算时，不要只看某个数字，要结合问题的物理背景判断哪些误差可以接受。

注意：svd得到的S可能是矩形对角矩阵，重建和切片时要严格匹配维度。写代码时先查看size(U)、size(S)、size(V)，再决定如何相乘。

5. 线性代数不是孤立知识：拟合、图像与仿真的落地点

5.1 用线性代数做最小二乘拟合

最小二乘拟合是线性代数最直观的工程应用，也是从“会解方程组”到“会用方程组解决数据问题”的关键一步。

假设有一组散点数据(x_i, y_i)，想用二次多项式y = p1 + p2*x + p3*x^2去拟合。如果把每个数据点代入，就能得到：

p1 + p2*x1 + p3*x1^2 = y1 p1 + p2*x2 + p3*x2^2 = y2 ...

写成矩阵形式就是A*p = y，其中A的第一列是 1，第二列是x，第三列是x.^2。当数据点个数大于 3 时，这是一个超定方程组。

MATLAB 代码如下：

rng(0); x = (0:0.1:1)'; y = 1 + 2*x + 3*x.^2 + 0.1*randn(size(x)); A = [ones(size(x)), x, x.^2]; p = A\y; yFit = A*p; plot(x, y, 'o', x, yFit, '-');

A\y返回的就是最小二乘解，也就是让拟合曲线与原始数据整体误差最小的系数。要检查拟合质量，可以计算残差：

residual = y - yFit; norm(residual)

使用rng(0)是为了固定随机数种子，让每次运行得到相同数据，方便复现。如果不固定种子，每次randn产生的噪声不同，拟合结果也会有细微差异。

5.2 图像旋转和缩放背后的矩阵变换

图像在 MATLAB 中本身就是矩阵。灰度图是一个m×n的二维矩阵，彩色图是一个m×n×3的三维数组。很多图像处理操作，比如旋转、缩放、平移，底层都离不开线性变换。

二维旋转矩阵是：

theta = pi/6; R = [cos(theta), -sin(theta); sin(theta), cos(theta)];

对一个坐标点point = [1; 0]做旋转：

point = [1; 0]; rotated = R * point;

rotated就是按逆时针旋转 30 度后的新坐标。实际图像旋转中，MATLAB 通常用imrotate等封装函数，但理解旋转矩阵可以帮助你判断：为什么一个角度很小，图像边缘会出现锯齿；为什么变换之后需要插值；为什么坐标变换顺序会影响最终结果。

利用 SVD 做图像近似压缩也是很好的练习，思路是保留前k个奇异值，丢掉后面较小的奇异值：

% 示意代码，需要先准备灰度矩阵 I [U, S, V] = svd(I); k = 50; Iapprox = U(:,1:k) * S(1:k,1:k) * V(:,1:k)';

这个例子能直观展示“矩阵分解”的价值：只保留少数奇异值，就能保留图像的主要结构。

5.3 从 Simulink 到光学仿真：线性代数是公共语言

MATLAB 的工程场景非常分散，Simulink 建模、光学工具箱、电扫阵列仿真、GRIB 数据读取、图像处理大作业、随机游走模型，看起来互不相关，底层都会回到矩阵运算。

Simulink 里传递的多维信号通常就是矩阵。矩阵维度不一致时会出现连接错误，排查时首先要确认每个信号的size。光学仿真中的光线传输、阵列方向图计算，往往通过复矩阵乘法和相位叠加完成。图像处理中的卷积、滤波、PCA，全部依赖矩阵操作。

随机游走模型是一个适合练习“向量化思维”的例子。不要用大量for循环逐点计算，可以把多条轨迹同时组织成矩阵：

rng(0); nSteps = 1000; nWalks = 10; steps = sign(randn(nSteps, nWalks)); positions = cumsum(steps); plot(positions);

randn(nSteps, nWalks)生成一个1000×10的矩阵，sign把值映射为+1或-1，cumsum按第一维累积求和，相当于同时计算 10 条随机游走轨迹。这种写法简洁，也更容易扩展到大规模模拟。

6. 常见报错、浮点误差与排错链路

6.1 典型报错与排查表

MATLAB 线性代数代码的报错，大多数集中在维度不匹配、运算符误用、矩阵奇异、函数不存在这几类。实际排错时不要只看报错最后一行，要从第一行错误提示开始看，因为它往往指向真正出问题的位置。

6.2 浮点误差、条件数与病态矩阵

MATLAB 的数值计算基于浮点数，浮点数不能精确表示所有实数。因此，0.1 + 0.2可能不等于精确的0.3，矩阵求逆的结果也不是数学意义上的绝对精确值。这不是 MATLAB 的 bug，而是所有浮点计算共有的特性。

病态矩阵会让浮点误差被放大。典型例子是 Hilbert 矩阵：

n = 8; A = hilb(n); cond(A) det(A) rank(A)

cond(A)会非常大，说明矩阵对误差极其敏感。det(A)虽然很小，但行列式小不等于矩阵不可逆。实际判断一个矩阵是否奇异或接近奇异，更推荐看条件数和非零奇异值的个数。

遇到病态矩阵时，常见处理思路包括：

• 检查数据是否经过归一化或缩放。
• 优先使用A\b而不是inv(A)*b。
• 尝试pinv(A)求伪逆得到最小范数解。
• 对问题增加正则化项，比如岭回归中的(A'*A + lambda*I)。
• 改用更稳定的分解，例如 QR 分解或 SVD。

6.3 一套可复用的排错流程

线性代数代码出问题时，不要直接重新跑一遍，建议按下面这条流程排查：

1. 确认输入数据：打印size(A)、size(b)，确认矩阵不是空矩阵。
2. 确认运算符：是矩阵乘法*，还是逐元素乘法.*；是共轭转置'，还是普通转置.'。
3. 确认函数是否存在：运行which或doc查看函数来源。
4. 确认矩阵状态：运行cond(A)、rank(A)判断是否病态或奇异。
5. 确认结果是否有异常：检查结果中是否出现NaN或Inf，并用norm(A*x - b)验证残差。
6. 确认算法是否适合：判断方程组是超定、欠定还是方阵，是否需要稀疏存储或迭代法。

可以把这个流程写成一个注释模板，放在自己的脚本开头，每次排错都按顺序过一遍：

% 1. size % 2. 运算符 % 3. which % 4. cond / rank % 5. norm residual % 6. 算法选型

7. 学习环境与生产实践中的最佳做法

7.1 学习环境与生产环境的差异

学习阶段，主要目标是跑通代码、理解概念，允许脚本写得随意。进入项目或生产环境后，代码要考虑可维护性、可测试性和性能。两者之间的差异可以用下面这张表说明：

学习时可以只用命令窗口或单个脚本；生产环境建议把线性代数计算封装成函数，保留输入输出接口。

7.2 工程化建议：脚本、函数、单元测试

一个典型的线性方程组求解函数可以这样组织：

function x = solveLinearSystem(A, b) validateattributes(A, {'numeric'}, {'2d', 'square'}, 'solveLinearSystem', 'A', 1); validateattributes(b, {'numeric'}, {'column'}, 'solveLinearSystem', 'b', 2); if size(A, 1) ~= size(b, 1) error('solveLinearSystem:dimMismatch', 'A 的行数必须等于 b 的长度'); end x = A\b; end

validateattributes负责检查输入类型和维度，避免函数内部在运行到一半时才发现错误。列向量检查可以用size(b, 2) == 1，也可以使用validateattributes的column属性。

配合测试脚本：

A = [2 1; 1 3]; b = [5; 6]; x = solveLinearSystem(A, b); assert(norm(A*x - b) < 1e-10, '残差过大');

这里assert会在线性方程组的解不满足要求时抛出异常。把测试脚本保存下来，后续修改函数时再运行一次，能快速发现回归问题。

生产环境还需要考虑日志、权限、监控、回滚和异常处理。如果是把 MATLAB 程序部署给其他人使用，还要确认目标机器的 MATLAB 版本、工具箱和许可证是否匹配。

7.3 后续学习路线建议

如果你刚学完这一篇，建议按以下顺序继续练习：

1. 构造一个3×3随机矩阵，计算det、rank、cond，用A\b求解并验证残差。
2. 生成一组带噪声的散点，用多项式拟合分别尝试 1 次、2 次、5 次曲线，观察过拟合现象。
3. 用svd对一张灰度图做低秩近似，观察k=10、k=50、k=100时图像的变化。
4. 对一个对称矩阵运行eig，验证特征向量是否正交。
5. 把一个用循环写的随机游走模型改成矩阵版本，对比运行时间。

理解 MATLAB 线性代数的关键，不是记住所有函数，而是建立“先看维度、再选算法、最后验证残差”的反射。建议先从A\b开始练，跑通后再研究eig和svd。遇到报错时回看本文第 6 节，这条路径基本能覆盖 MATLAB 线性代数的大部分日常使用场景。