企业官网建设流程全解析

很多刚开始接触MATLAB的人，都是冲着“矩阵实验室”这个名字来的。确实，MATLAB全称Matrix Laboratory，矩阵就是它的灵魂。我在带学生做课程设计、帮网友排查代码的时候，发现大量报错都源于对矩阵操作理解不透，尤其是索引方式、点运算和维度匹配这三座大山。这篇是系列笔记第4篇，我把矩阵这块彻底掰开揉碎，从创建、索引到运算和工程应用，全部过一遍。你把这篇文章吃透，后面学图像处理、数值计算、深度学习工具箱，都会轻松很多。

1. 内容整体设计与思路拆解

1.1 为什么矩阵是MATLAB的一切

MATLAB里的标量其实是1×1的矩阵，向量是1×n或n×1的矩阵，图像是m×n×3的三维矩阵（RGB三个通道），甚至一个字符串都可以看成字符矩阵。理解这一点，你就明白为什么MATLAB里几乎没有“循环逐个元素处理”的写法，因为整个语言的设计哲学就是“矩阵整体操作”。

举个例子，你要计算一个10000个元素的向量中每个元素的平方。在其他语言里你可能要写个循环：

% 传统写法 n = 10000; x = 1:n; y = zeros(1, n); for i = 1:n y(i) = x(i)^2; end

在MATLAB里直接写：

y = x.^2;

一行搞定，而且执行速度比循环快一到两个数量级。为什么？因为MATLAB底层的线性代数库（LAPACK和BLAS）是经过高度优化的，内置函数对矩阵运算做了并行化和缓存优化。你用循环等于绕开了这些优化，自己用解释器一行一行跑，自然慢。

1.2 这一篇学习笔记的脉络安排

矩阵的知识点非常多，但如果按照“创建→索引→运算→应用”这条主线走，你会发现所有内容都是串联起来的。创建矩阵是入口，索引是操作的手段，运算是核心，应用是落脚点。

我见过的初学者最快的学习路径是：先掌握创建特殊矩阵的几个函数，再花大力气搞懂索引的几种方式，然后分清楚普通运算和点运算的区别，最后用线性方程组求解和特征值分解这两个高频场景来检验学习成果。所以这一篇笔记的章节结构也是按这个逻辑展开的，每一步都有代码和注释，尽量做到你照着敲就能出结果。

2. 矩阵创建与基础操作：从手工输入到批量生成

2.1 直接输入法：最朴素的创建方式

矩阵的直接输入其实非常简单，中括号[]是矩阵的容器，同一行元素用空格或逗号分隔，行与行之间用分号分隔。看下面这个例子：

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

运行结果：

A = 1 2 3 4 5 6 7 8 9

这里有个细节值得注意：分号在命令行窗口里有两个作用。在矩阵内部，它是行分隔符；在脚本里写在语句末尾，它表示“执行但不显示结果”。这个双重身份经常让新手困惑，其实只要记住——分号在中括号里面就是分行的，在中括号外面就是抑制输出的。

对于特别大的矩阵，手工输入不现实，这时候就要用到冒号表达式和生成函数。冒号表达式是最基础的向量生成方式：

x = 1:5 % 从1到5，步长为1 x = 1:2:9 % 从1到9，步长为2 x = 9:-2:1 % 从9到1，步长为-2，即降序

第一个得到[1 2 3 4 5]，第二个得到[1 3 5 7 9]，第三个得到[9 7 5 3 1]。冒号表达式的语法是start:step:end，步长为1时中间可以省略。这里有个容易踩坑的地方：如果步长是正数但start大于end，得到的是空矩阵。比如5:1:1返回的是[]，不会报错，但后续运算可能会出问题。本人在调试时遇到过明明矩阵不该为空，结果一算就崩，最后发现是冒号表达式的方向写反了，所以这个细节要记住了。

2.2 常用生成函数：zeros、ones、eye、rand

很多情况下，你需要先开辟一块指定大小的矩阵，再往里填充数据。这时候zeros、ones、eye、rand、randn这几个函数就是主力工具。

Z = zeros(3, 4) % 3行4列的全零矩阵 O = ones(2, 5) % 2行5列的全一矩阵 I = eye(4) % 4×4单位矩阵，即对角线为1，其余为0 R = rand(3, 3) % 3×3的均匀分布随机数矩阵，取值范围[0,1) N = randn(2, 4) % 2×4的标准正态分布随机数矩阵

zeros和ones有一个高频用法是初始化存储结果的矩阵。在循环里逐渐扩充数组会严重拖慢速度，因为每次扩充都要重新分配内存。正确的做法是先预分配好大小，再在循环里逐个填充：

n = 1000; result = zeros(1, n); % 预分配 for k = 1:n result(k) = k^2; end

我实测过，预分配和动态扩充在n=10000时的运行时间差距大约有几十倍。养成预分配的习惯，对你以后写大规模仿真代码非常有帮助。

2.3 特殊矩阵：魔方矩阵、帕斯卡矩阵、希尔伯特矩阵

MATLAB还内置了一些很有意思的特殊矩阵，它们在算法演示和数值分析课程里经常出现。

M = magic(3) % 3×3魔方矩阵，每一行、每一列、每条对角线的和都相等 P = pascal(4) % 4×4帕斯卡矩阵，由杨辉三角形构成 H = hilb(5) % 5×5希尔伯特矩阵，H(i,j) = 1/(i+j-1)

魔方矩阵在数独、幻方算法演示中很有用，帕斯卡矩阵跟二项式系数和组合数学有密切关系，希尔伯特矩阵则是经典的条件数很大的矩阵，经常被用来演示数值算法的稳定性问题。

这里我想多说一句关于linspace和logspace，它们在信号处理和频率分析中出镜率极高。linspace(x1, x2, n)生成从x1到x2均匀分布的n个点，它比冒号表达式更适合在你明确知道需要的点数时使用。比如要生成0到2π之间的100个点绘制正弦波：

t = linspace(0, 2*pi, 100); y = sin(t); plot(t, y);

logspace类似，但它生成的是对数刻度上均匀分布的点，做伯德图的时候你一定会用到它。

3. 矩阵索引与变形：你必须掌握的四种取数方式

3.1 下标索引和线性索引的区别

下标索引是用(行号, 列号)来取元素，这是最直观的方式：

A = [10 20 30; 40 50 60; 70 80 90]; a11 = A(1, 1) % 结果是10 a23 = A(2, 3) % 结果是60

这里要特别注意，MATLAB的下标是从1开始的，不是从0开始。这个跟C语言、Python的习惯完全不同，很多人一开始都要适应一下。我自己刚开始也经常搞混，写循环的时候不知道到底从1开始还是从0开始，后来形成了肌肉记忆才好的。

线性索引会稍微绕一点。它把矩阵按列优先的顺序拉成一维向量，然后按这个顺序编号。也就是说，第1个元素是A(1,1)，第2个是A(2,1)，第3个是A(3,1)，第4个才是A(1,2)。所以：

A(4) % 等于A(1,2)，即20 A(6) % 等于A(3,2)，即80

线性索引在某些场景下非常高效，特别是当你只需要遍历所有元素、不在乎行列位置时。比如find函数返回的就是线性索引，如果你想只取矩阵中满足条件的元素值，用线性索引直接操作比转换成行列下标再操作要省事得多。

3.2 end关键字与冒号索引的灵活运用

end是MATLAB里一个非常有灵性的关键字，在索引中代表当前维度的最后一个位置。看下面这些用法：

A(end, 2) % 最后一行的第2列 A(2, end) % 第2行的最后一列 A(end, end) % 右下角那个元素 A(end-1, end) % 倒数第2行、最后一列

新手经常问：矩阵的大小我事先不知道，怎么取最后一行的几个元素？用end就可以了，它自动识别当前矩阵的规模。

冒号索引在MATLAB里表示“全部”或者“步长为1的连续范围”。它的规则跟创建向量时一样，只不过放在了下标的位置：

A(:, 2) % 所有行的第2列，结果是一个列向量 A(2, :) % 第2行的所有列，结果是一个行向量 A(1:2, 2:3) % 第1到2行、第2到3列交叉出的子矩阵 A(:) % 把矩阵按列拉成一维列向量

这里有一个非常关键的概念区别：A(:, 2)取出来的是一个列向量，A(2, :)取出来的是一个行向量，A(1:2, 2:3)取出来的是一个2×2的矩阵。如果你用A(:, 2)和A(:, 3)做点乘，它们是能直接算的，因为都是3×1的列向量。但如果你试图把A(:, 2)和A(2, :)直接相乘，就会遇到维度不匹配的报错，因为一个是3×1，一个是1×3，矩阵乘法要求内维度相等。

3.3 逻辑索引：筛选数据的利器

逻辑索引是整个MATLAB索引体系里最强大的工具，它的核心思想是：用一个与矩阵同维度的逻辑矩阵（元素由true/false组成）来决定取哪些位置的值。

A = [1 5 3; 8 2 9; 4 7 6]; mask = A > 4; % 生成与A同尺寸的逻辑矩阵 B = A(mask); % 取出所有大于4的元素，结果是一列

运行后mask是：

mask = 3×3 logical 数组 0 1 0 1 0 1 0 1 1

A(mask)的结果是[8; 5; 7; 9; 6]，注意顺序是按列优先排列的。逻辑索引跳过了find那一步，代码更简洁，执行效率也更高。

更妙的是，逻辑索引可以进行复杂的组合筛选：

C = A(A > 3 & A < 8); % 取所有大于3且小于8的元素 D = A(A == 2 | A == 9); % 取所有等于2或等于9的元素

这种写法在数据清洗和统计分析里是日常操作。比如你在处理传感器数据，想把所有超出合理范围的异常值找出来并替换成NaN：

data(data > 100 | data < -100) = NaN;

一行代码就完成了异常值替换，这比写循环高效得多。

3.4 矩阵拼接、变形与扩充

除了取数，我们还需要把多个矩阵拼到一起。水平拼接用horzcat或者直接[A B]，垂直拼接用vertcat或者[A; B]：

A = [1 2; 3 4]; B = [5 6; 7 8]; C_h = [A, B]; % 水平拼接，结果为2×4矩阵 C_v = [A; B]; % 垂直拼接，结果为4×2矩阵

注意水平拼接要求两矩阵行数相等，垂直拼接要求列数相等。这个约束经常被忽略，拼接时报错“维度不一致”就是这里出了问题。

矩阵变形最有用的函数是reshape。它按列优先的顺序重新排列元素，而不是按行。假设你有一个1×12的向量：

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

得到的M是：

M = 1 4 7 10 2 5 8 11 3 6 9 12

注意看，v的第1到3个元素填在了M的第一列，第4到6个元素填在了第二列，依此类推。如果你期望的是按行重新排列为[1 2 3 4; 5 6 7 8; 9 10 11 12]，那要先对v做转置或者用reshape(v, 4, 3)'。这个细节在图像处理里特别容易出问题，因为图像像素的存储顺序就是这么定义的。

repmat也是一个频繁使用的函数，它把一个小矩阵复制成更大的矩阵：

A = [1 2; 3 4]; B = repmat(A, 2, 3); % 生成4×6矩阵，A被复制成2行3列个拼在一起

跟repmat相关的还有kron（克罗内克积），如果两个矩阵做kron，结果会更大，每个元素都要跟第二个矩阵的整个做乘积，这个在有限元分析里经常用。

4. 核心运算：矩阵乘法、点运算与线性方程组求解

4.1 矩阵乘法与内维度匹配规则

矩阵乘法的定义你应该不陌生：C(i,j) = sum(A(i,:) .* B(:,j))。这个定义决定了最基本的一条规则：A的列数必须等于B的行数。也就是说，A(m×n) * B(n×p)才合法，结果是一个m×p矩阵。

A = [1 2 3; 4 5 6]; % 2×3 B = [7 8; 9 10; 11 12]; % 3×2 C = A * B; % 结果是一个2×2矩阵

我算给你看：

C(1,1) = 1*7 + 2*9 + 3*11 = 58 C(1,2) = 1*8 + 2*10 + 3*12 = 64 C(2,1) = 4*7 + 5*9 + 6*11 = 139 C(2,2) = 4*8 + 5*10 + 6*12 = 154

所以C是[58 64; 139 154]。注意这里如果你的维度写反了，比如B * A，那是3×2乘以2×3，结果是一个3×3矩阵，跟A * B完全不同。矩阵乘法不满足交换律，这是线性代数里反复强调的点，在MATLAB里也是同样的规则。

4.2 点运算：逐元素操作是MATLAB的精髓

点运算（.加运算符）是MATLAB区别于一般线性代数工具的重要特性。A .* B表示两个矩阵对应元素相乘，要求两个矩阵尺寸完全相同。看这个例子：

A = [1 2; 3 4]; B = [5 6; 7 8]; C = A .* B; % 结果是 [5 12; 21 32]，对应元素相乘 D = A * B; % 结果是 [19 22; 43 50]，矩阵乘法

同一个运算符，加点和不加点结果是完全不同的。我见过太多初学者在编写神经网络相关代码时，忘了在乘法上加小数点，结果矩阵维度不匹配报错，或者算出来数值完全不对。

点运算也适用于除法和幂运算：

E = A ./ B; % 对应元素相除 F = A .^ 2; % 每个元素平方 G = 1 ./ A; % 每个元素取倒数，注意是1./A，不是1/A

尤其需要记住的是1/A在MATLAB里有特殊含义，它表示A的逆矩阵（如果A是方阵），而1./A才是逐元素取倒数。这个差别在做数据归一化、计算信噪比的时候会直接导致结果天差地别。

4.3 左除\与右除/，以及线性方程组求解

MATLAB里有两个除法运算符：左除\和右除/。它们不是简单的一对逆运算，背后对应的是不同形式的线性方程组求解。

左除A\B等价于求解A * X = B。如果A是方阵且可逆，那A\B就是inv(A) * B，但MATLAB内部不会真的去计算逆矩阵，而是用高斯消元法或LU分解，数值稳定性更好，速度也更快。

A = [2 1; 1 3]; B = [5; 10]; X = A \ B; % 求解 2x + y = 5, x + 3y = 10

运行结果X = [1; 3]，即x=1, y=3。你可以用A * X验证，得到[5; 10]。

右除B/A等价于求解X * A = B，即未知量在右边。在实际工程中，左除用得多得多，因为线性方程组通常写成Ax = b的形式。请记住一个关键建议：求线性方程组用\，不要用inv(A) * B。inv(A)要先求逆矩阵，再做乘法，数值误差会累积，而且当矩阵接近奇异时误差会被放大。你直接用左除，MATLAB内部会用更稳定的数值算法，结果更可靠。

再补充一下pinv伪逆函数。当A不是方阵或者不可逆时，pinv(A)用奇异值分解求出Moore-Penrose伪逆，在最小二乘问题里很常用。比如你有一堆数据点，要做线性拟合y = a*x + b，把数据构造成超定方程组A * [a; b] = y，然后用左除或pinv一次算出最优拟合参数。

4.4 转置、行列式与逆矩阵

转置运算符是单引号'。这里有一个非常容易踩的坑：在MATLAB里，A'是共轭转置，对实数矩阵来说等价于普通转置，但如果A是复数矩阵，A'不仅转置还会取共轭。如果你只想转置不取共轭，要用A.'。

A = [1+2i, 3-4i; 5+6i, 7-8i]; B = A'; % 共轭转置，不仅交换行列还取共轭 C = A.'; % 纯转置，只交换行列

这个区别在频域分析、傅里叶变换相关的操作里经常导致数据对不上，因为复数信号的转置方式会影响相位信息。

行列式用det(A)计算，判断矩阵是否可逆的最快捷方式就是det(A) == 0：

if det(A) ~= 0 disp('矩阵可逆'); else disp('矩阵奇异'); end

不过要注意，浮点数比较== 0是有风险的，因为数值误差可能导致理论上的奇异矩阵算出来一个极小值。更好的做法是看条件数cond(A)，条件数越大，矩阵越接近奇异，解对误差越敏感。

5. 高级应用与工程实战：从特征值到混淆矩阵

5.1 特征值分解与特征向量求解

特征值分解是矩阵分析中的核心操作之一。eig函数可以同时求特征值和特征向量：

A = [4 1; 2 3]; [V, D] = eig(A);

这里V的每一列是特征向量，D是对角矩阵，对角线上的元素是特征值。验证特征值分解正确性的方法是检查A*V == V*D（数值上会有一点误差，用norm(A*V - V*D)来看差距是否接近零）。

特征值在主成分分析、模态分析、机器学习里的谱聚类算法中都是核心角色。比如你在做人脸识别，经典的特征脸方法本质就是计算协方差矩阵的特征向量。如果你理解了eig的输出格式，再用MATLAB自己实现PCA就非常顺手：

% 数据标准化 X_std = (X - mean(X)) ./ std(X); % 计算协方差矩阵 covMat = cov(X_std); % 特征分解 [eigVec, eigVal] = eig(covMat); % 按特征值降序排列 [~, idx] = sort(diag(eigVal), 'descend'); eigVec = eigVec(:, idx);

对于非对称矩阵或大规模稀疏矩阵，MATLAB还有eigs函数，只计算最大的几个特征值，效率高得多。在做PageRank算法、图嵌入这类需要大量矩阵运算的任务时，eigs是首选。

5.2 矩阵求逆与伪逆：数值视角的差异

inv(A)可以直接求逆矩阵，但我在前文已经强调过，能用\就不要用inv。原因不仅是速度，还有数值稳定性。

假设你有一个条件数很大的矩阵，比如希尔伯特矩阵：

H = hilb(10); x = rand(10, 1); b = H * x; x_inv = inv(H) * b; x_l = H \ b; err_inv = norm(x - x_inv); err_l = norm(x - x_l);

我实测过，err_inv通常比err_l大好几个数量级。原因在于inv(H)本身就是用高斯消元法算出来的，这个过程已经引入了数值误差，再拿它去乘b，误差进一步放大。而H \ b用LU分解直接求解，误差控制得好得多。

pinv伪逆适用于非方阵或秩亏矩阵。典型应用是最小二乘拟合：你有m个数据点，用一个n阶多项式去拟合（m>n），这时系数矩阵是m×n的长方形矩阵，无法直接求逆，但可以用pinv算出最优解：

A = [ones(m,1), t, t.^2, t.^3]; coeff = pinv(A) * y; % 或者直接 A \ y

对于欠定系统（m<n），用pinv得到的解是极小范数解，在某些控制分配问题里有明确物理意义。

5.3 矩阵在图像处理中的实际应用：以混淆矩阵为例

图像在MATLAB里就是矩阵。灰度图是一个m×n的二维矩阵，每个元素代表该位置的像素灰度值（0表示黑，255表示白）。RGB图是m×n×3的三维矩阵，第三维分别对应红绿蓝通道。

图像处理里一个核心操作是卷积，MATLAB用conv2实现二维卷积：

img = imread('example.jpg'); grayImg = rgb2gray(img); % RGB图转灰度图 kernel = [1 0 -1; 1 0 -1; 1 0 -1]; % 检测水平边缘的Sobel算子 edgeImg = conv2(double(grayImg), kernel, 'same');

卷积本质就是用一个小矩阵（卷积核）在图像矩阵上滑动，逐个位置做内积。这个操作贯穿了从传统图像滤波到卷积神经网络的全部内容。理解了矩阵卷积，你后面学CNN的卷积层就像喝水一样简单。

混淆矩阵是机器学习分类任务中评估模型性能的基本工具。假设你有一个三分类问题，真实标签和预测标签都是长度为N的向量，用MATLAB构建混淆矩阵可以这样写：

% 真实标签和预测标签，假设取值 1、2、3 trueLabels = [1 2 3 1 2 3 1 2 3]; predLabels = [1 2 3 1 2 2 3 2 3]; % 有几个预测错了 C = confusionmat(trueLabels, predLabels);

confusionmat返回的C是一个3×3矩阵，C(i,j)表示真实类别为i、被预测为j的样本数。从混淆矩阵中可以直观看出哪些类别容易混淆，也可以据此计算精确率、召回率和F1分数。

如果你要自己画混淆矩阵的热力图，用heatmap配合自定义标签：

labels = {'类别1', '类别2', '类别3'}; heatmap(labels, labels, C);

这块内容在模式识别和深度学习项目里几乎是必考的，所以专门列一小节说清楚。

5.4 分块矩阵与结构化运算

实际工程中，大型矩阵往往具有分块结构，合理分块不仅能让代码更清晰，还能利用块结构加速计算。MATLAB支持用cell数组管理分块矩阵。

比如你要处理一个分块对角矩阵：

A11 = [1 2; 3 4]; A22 = [5 6; 7 8]; % 用blkdiag构造分块对角矩阵 A = blkdiag(A11, A22);

blkdiag生成的结果是：

A = 1 2 0 0 3 4 0 0 0 0 5 6 0 0 7 8

分块矩阵的求逆运算有专门的公式，在控制理论和信号处理中很常用。对于分块矩阵M = [A B; C D]，如果A可逆，可以利用Schur补：

M^{-1} = [A^{-1} + A^{-1}B S^{-1} C A^{-1}, -A^{-1}B S^{-1}; -S^{-1} C A^{-1}, S^{-1}]

其中S = D - C * A^{-1} * B。这个公式的用途在于，当你需要反复求逆时，如果A很容易求逆（比如对角矩阵），整体计算量可以大幅降低。MATLAB里直接写公式就能实现，不需要额外工具箱。

6. 常见错误与调试技巧：我踩过的坑，你就不用再踩了

6.1 索引越界与空矩阵问题

索引越界是MATLAB新手最容易碰到的错误，报错信息通常是：

Index exceeds the number of array elements.

比如你创建了一个3×3矩阵，然后想访问A(4, 2)，就会报错。排查思路是：

• 第一步，查看矩阵大小：size(A)
• 第二步，检查索引变量的实际值：在断点处把索引变量打印出来
• 第三步，确认循环里是否因为边界条件导致索引超过最大范围

空矩阵问题同样常见。比如你用find查找满足条件的元素，结果没有找到，返回的索引是空矩阵，后续用这个空矩阵索引其他矩阵就会得到空结果，再继续做运算可能得到全空或者报维度错误。

idx = find(data > 100); % 如果没有元素大于100，idx是空 if ~isempty(idx) % 务必检查是否为空 % 只有非空时才处理 end

6.2 维度不匹配的报错和排查习惯

维度不匹配的报错长这样：

Error using .* Matrix dimensions must agree.

遇到这种报错，你需要先搞清楚参与运算的两个变量到底是什么形状。我的排查习惯是：

disp(size(A)); disp(size(B));

然后手动核对：做矩阵乘法时要看A的列数和B的行数是否相等，做点乘时要看两个矩阵形状是否完全一致。

维度不匹配还有一个隐蔽来源是转置。比如你用size(A, 1)取出的行数存下来，但A(:, 1)得到的是列向量，如果你期望它是行向量，后面拼接时就会出问题。解决方法是记清楚MATLAB惯例：从矩阵中取单行得到行向量，取单列得到列向量。如果要把列向量变行向量，用A(:, 1).'。

6.3 浮点精度导致的比较陷阱

浮点数比较是工程计算的经典坑。0.1 + 0.2 == 0.3在MATLAB里运行结果是0（逻辑假），因为二进制无法精确表示0.1。更危险的是，矩阵求逆后相乘，理论上应该得到单位矩阵，但数值上可能不是完全等于单位矩阵。

正确做法是使用容差比较：

tol = 1e-8; if norm(A * inv(A) - eye(size(A))) < tol disp('结果可靠'); end

或者在比较矩阵相等时用isequaln结合容差，或者用all(abs(A - B) < tol, 'all')。

6.4 内存预分配与运行效率提升

MATLAB的数组在每次修改大小时都会重新分配内存。如果你在循环里不断往一个数组末尾追加元素：

% 低效写法 x = []; for i = 1:10000 x = [x, i^2]; end

这段代码每循环一次就要重新分配内存并复制整个数组，耗时约是我前面说的预分配写法的数十倍。高效写法是：

x = zeros(1, 10000); for i = 1:10000 x(i) = i^2; end

还有一个效率建议是尽量避免在循环里使用eval和动态变量名，它们会让MATLAB无法基于类型做JIT（即时编译）加速，循环会变得异常慢。如果你发现自己写了个循环跑了很久，可以试试用矩阵化运算替代。

6.5 命名冲突与工作区管理

size、sum、max这些是MATLAB内置函数，如果某个脚本里你写了个变量叫sum，后续再用sum(A)就会出错，因为变量名覆盖了函数名。我见过有人写了整段代码，最后发现max用不了了，因为前面定义了一个叫max的矩阵。解决方法是：避免用内置函数名做变量名，可以用sumVal、maxVal这种更具体的名称。

工作区里的旧变量也会导致干扰。比如你之前算过A = magic(4)，后来改脚本重新定义了A = ones(3)，脚本里某处忘了重新赋值，用的还是旧值。所以脚本开头写一句clear是个好习惯，但要注意别把需要保存的结果也清掉了。更精细的做法是用clear A清理特定变量。

7. 实操总结：一套直接能用的学习路线图

学了这么多知识点，最重要的还是把它们串起来用。下面我给出一个综合案例，把这一篇笔记里的核心内容都覆盖到。

案例场景：给定一组实验数据x和y，用多项式拟合数据，并评估拟合效果。

% 步骤1：生成带噪声的实验数据 x = linspace(0, 10, 50); y_true = 2 * x.^2 + 3 * x + 1; y = y_true + randn(size(x)) * 5; % 添加高斯噪声 % 步骤2：构建设计矩阵（范德蒙德矩阵） % 用三次多项式 y = a3*x^3 + a2*x^2 + a1*x + a0 A = [x.^3, x.^2, x, ones(size(x))]; % 步骤3：用左除求解最小二乘系数 coeff = A \ y; % 步骤4：绘制拟合曲线 x_fit = linspace(0, 10, 200); y_fit = coeff(1)*x_fit.^3 + coeff(2)*x_fit.^2 + coeff(3)*x_fit + coeff(4); figure; plot(x, y, 'o'); hold on; plot(x_fit, y_fit, 'r-', 'LineWidth', 1.5); legend('原始数据', '拟合曲线'); xlabel('x'); ylabel('y'); title('多项式拟合结果'); % 步骤5：评估拟合效果 y_pred = A * coeff; SSE = sum((y - y_pred).^2); % 残差平方和 R_squared = 1 - SSE / sum((y - mean(y)).^2); % 决定系数 fprintf('拟合优度R² = %.4f\n', R_squared);

这个例子用到了linspace创建数据、点运算符做逐元素计算、矩阵乘法构建设计矩阵、左除解超定方程组、索引和绘图等操作。把它完整敲一遍，你对MATLAB矩阵的理解会上一个台阶。

我个人在实际调试中的体会是：矩阵这块知识不怕东一榔头西一棒地学，最怕你不动手敲代码。你光看笔记记不住，一定要在命令行窗口里亲手创建矩阵、做运算、看结果，把所有函数轮一遍，形成肌肉记忆。当初我带的学生里，凡是动手敲完上面的综合案例的，后面学什么图像处理、深度学习都很快上手，而那些只看不练的，到了写课程设计代码时依然到处碰壁。所以别光保存这篇笔记，打开MATLAB跟着跑一遍，比什么都管用。