简介：这份资源面向学习MATLAB数值计算与线性代数的学生和工程人员，聚焦矩阵处理中的特征值、特征向量与对角化等核心问题，适合作为课堂实验或自学练习的配套材料。压缩包内共1个doc文档，约98KB，内容以实验讲义形式组织，涵盖特征多项式求解、eig函数求特征值与特征向量、实对称矩阵的正交对角化、balance函数提高计算精度以及jordan函数求若当标准形等知识点，并配有可直接运行的MATLAB代码示例与运算结果。文档还整理了trace、sum、prod、cdf2rdf等常用矩阵函数的用法说明，便于读者对照实验步骤复现结果、理解矩阵分析的基本流程。目前已有727人学习下载，适合需要系统梳理MATLAB矩阵运算命令、完成相关实验报告或查漏补缺的读者参考使用。
1. 从一次翻车的对角化说起：这套 MATLAB 矩阵处理实验到底值不值得跑
带过几届做数值计算方向的学生之后，我发现一个规律：凡是自称"学过线性代数"的人，第一次用 MATLAB 处理特征值问题，十有八九会在对角化验证那一步翻车。不是概念不懂，而是从纸面推导到工程实现之间隔着一层东西——数值精度、符号运算、若当块的排列方向，每一个都能让结果对不上。这份实验六的资料，恰好就是冲着这层隔阂来的。它围绕特征值、特征向量、若当标准形这几个矩阵分析里的硬骨头，把 MATLAB 里poly、eig、jordan、balance、cdf2rdf这些函数串成了一条完整的操作链。适合谁？正在做线性代数实验、需要把矩阵对角化落到代码上的学生，以及工作中偶尔要处理模态分析、系统稳定性判据、二次型标准化的工程师。它不教你线性代数，它教你怎么让 MATLAB 把线性代数算对。
2. 特征多项式与特征值：poly、eig 和符号求解三条路怎么选
2.1 特征多项式：poly 的向量表示和 poly2str 的可读化
MATLAB 里求特征多项式最直接的是poly(A)，它返回的是多项式系数的行向量，按降幂排列。这个向量本身不好读，得配合poly2str转成人类能看的字符串形式。
% 定义方阵 A A = [1 0; 2 3]; % poly 返回特征多项式的系数向量，按降幂排列 p = poly(A) % 把系数向量转成可读的多项式字符串 f = poly2str(p, 'x')运行后p是[1 -4 3]，对应x^2 - 4x + 3。这里有个容易忽略的点：poly(A)返回的系数向量长度是 n+1，首项系数恒为 1（因为特征多项式是首一的）。如果你拿这个向量去做roots，得到的就是特征值。参数上没什么可调的，poly只接受方阵，非方阵会直接报错。
另一种路子是从定义出发，用符号变量硬算行列式：
A = [1 0; 2 3]; E = eye(2); % 2 阶单位阵 syms x % 声明符号变量 f = det(x*E - A) % 直接按定义算特征多项式这条路的好处是结果以符号形式呈现，(x-1)*(x-3)一眼就能看出根。代价是符号运算慢，矩阵一大就卡。我一般只在矩阵阶数小于 5 且需要精确表达式时才用符号法，其余情况一律走poly加roots。
2.2 eig 的四种调用形式与特征向量的归一化问题
eig是这套流程的核心。它至少有四种调用形式，每种返回的东西不一样，混用是新手最常见的翻车点。
A = [0 1 0 0; 1 0 0 0; 0 0 0 1; 0 0 1 0]; % 形式一：只返回特征值列向量 d = eig(A) % 形式二：返回特征向量矩阵 V 和特征值对角阵 D，满足 A*V = V*D [V, D] = eig(A) % 形式三：eigs 按大小次序返回，适合大型稀疏矩阵 [V, D] = eigs(A) % 形式四：广义特征值问题 A*x = lambda*B*x % [V, D] = eig(A, B)形式二里有个关键细节：D的主对角线元素是特征值，但顺序不保证按大小排。上面这个例子里D的对角线是-1, -1, 1, 1，特征值 -1 是二重的，对应V的第 1、2 列。这里V的列向量是归一化的，模长为 1，但符号可能和你手算的不一样——这是数值算法的正常行为，不是错误。
验证对角化是否成立，标准操作是：
% 用符号形式输出 V，避免浮点误差干扰判断 V_sym = sym(V) % 验证 V^-1 * A * V 是否等于 D V_sym^-1 * A * V_sym结果应该是一个对角阵，对角线上就是特征值。如果这里算出来非对角元有微小数值，别慌，那是浮点误差，用sym转成符号再算就干净了。
2.3 提高精度：balance 什么时候该用
balance这个函数很多人没用过，但它在特征值计算精度上确实能救场。原理是对矩阵做相似变换，把行范数和列范数拉到接近的量级，减少数值计算中的舍入误差。
% 返回相似变换矩阵 T 和平衡矩阵 B，满足 B = T^-1 * A * T [T, B] = balance(A); % 只要平衡矩阵 B = balance(A);什么时候该用？当你发现eig算出来的特征值对扰动特别敏感，或者矩阵元素量级差异很大（比如有的元素是 1e-8，有的是 1e8），先balance一下再求特征值，精度会明显改善。注意balance不改变特征值，只改变矩阵的数值条件。我一般在对精度有要求且矩阵条件数偏大时才会加这一步，日常小矩阵直接eig就够了。
3. 对角化实战：实对称矩阵、复对角转实对角与若当标准形
3.1 实对称矩阵的对角化：eig 直接给出正交阵
实对称矩阵有个漂亮性质：一定可以对角化，而且特征向量可以选成正交的。MATLAB 的eig对实对称矩阵会自动返回正交矩阵P，满足P' * A * P = D。
A = [2 2 -2; 2 5 -4; -2 -4 5]; % 实对称矩阵 [P, D] = eig(A) % P 是正交阵，D 是对角阵 % 验证正交性：P' * P 应该是单位阵 P' * P % 验证对角化：P' * A * P 应该等于 D P' * A * P运行后D的对角线是1, 1, 10，P的列向量两两正交且模长为 1。这里P' * P会得到一个接近单位阵的结果，非对角元是 1e-16 量级的浮点噪声。如果你在做二次型标准化，P就是变换矩阵，D就是标准形系数。注意实对称矩阵不会出现复特征值，所以不需要cdf2rdf处理。
3.2 复对角矩阵转实对角：cdf2rdf 的 2x2 实数块
非对称实矩阵的特征值可能是复数，而且成共轭对出现。eig返回的D是对角阵，但对角线上是复数。如果你需要实数形式的块对角阵，就得用cdf2rdf。
A = [0 2 1; -2 0 3; -1 -3 0]; [v, d] = eig(A) % v 和 d 都是复数形式 [V, D] = cdf2rdf(v, d) % 转成实数块对角形式转换后D不再是对角阵，而是在对角线上用 2x2 实数块代替共轭复数对。上面这个例子里，D会变成一个 3x3 的块对角阵，其中有一个 2x2 块对应特征值0 ± 3.7417i。这个函数在控制系统里做模态分析时特别有用，因为实矩阵形式更方便后续计算。参数上cdf2rdf要求输入的v和d必须是eig输出的复数形式，不能先手动取实部。
3.3 若当标准形：jordan 函数与上三角块的排列规则
若当标准形是矩阵相似理论的终极形式，MATLAB 里用jordan求。
A = [-1 -2 6; -1 0 3; -1 -1 4]; J = jordan(A) % 返回 A 的若当标准形运行结果是：
J = 1 1 0 0 1 0 0 0 1这里有个必须记住的坑：MATLAB 的若当块是按上三角形定义的，也就是说非对角元 1 出现在对角元的上方。这和某些教材里下三角的定义相反。如果你拿教材上的结果直接对比，发现 1 的位置不对，先确认定义方向。另外jordan对数值矩阵的鲁棒性一般，矩阵接近亏损时结果可能不稳定，符号矩阵会好很多。
3.4 迹与行列式的验证：trace、sum、prod 的配合
特征值有两个基本恒等式：所有特征值之和等于矩阵的迹，所有特征值之积等于矩阵的行列式。用 MATLAB 验证这两个性质，能快速判断特征值算得对不对。
A = [1 2 2; 2 1 2; 2 2 1]; a = trace(A) % 矩阵的迹 d = eig(A) % 特征值 b = sum(d, 1) % 特征值求和，dim=1 按列求和 e = det(A) % 矩阵行列式 f = prod(d, 1) % 特征值求积，dim=1 按列求积sum和prod的dim参数容易搞混：dim=1按列操作，dim=2按行操作。对于列向量d，sum(d, 1)和sum(d, 2)结果一样，但习惯上求全部元素和用sum(sum(A, 1), 2)更稳妥。验证通过的标准是a和b相等、e和f相等，浮点误差在 1e-10 量级以内都算正常。
4. 避坑与排查：特征值计算里那些让人怀疑人生的报错
4.1 现象：eig 返回的特征向量验证不通过，V^-1AV 不是对角阵
原因通常有两个。一是矩阵本身不可对角化（亏损矩阵），特征向量不够 n 个线性无关的，这时候V是奇异的，V^-1根本不存在或者数值上极不稳定。二是浮点误差累积，尤其是矩阵条件数很大时，V^-1 * A * V的非对角元可能跑到 1e-8 量级，看起来不像对角阵。
解决办法：先用rank(V)检查特征向量矩阵是否满秩。如果不满秩，说明矩阵亏损，得走若当标准形路线。如果是浮点误差，把V转成符号形式sym(V)再算V^-1 * A * V，结果就干净了。我一般会在验证前加一句format short控制显示精度，避免被一堆小数位干扰判断。
4.2 现象：jordan 函数报错或返回结果和教材对不上
jordan对数值矩阵的容差很敏感。如果矩阵元素是浮点数且接近亏损，MATLAB 可能判定为非亏损，返回一个对角阵而不是带若当块的矩阵。另外前面提过，若当块的方向是上三角，教材可能是下三角。
解决办法：把矩阵转成符号形式再调jordan，jordan(sym(A))会走精确运算，结果稳定得多。方向问题只能靠对照定义解决，记住 MATLAB 是上三角块。如果矩阵规模大且必须用数值方法，考虑先用balance改善条件数再算。
4.3 现象：cdf2rdf 报错说输入维度不匹配
cdf2rdf要求输入的v和d必须来自eig的复数输出，且d必须是对角阵形式。如果你手动构造了一个实数矩阵传进去，或者d不是对角阵，就会报错。
解决办法：确保调用链是[v, d] = eig(A)之后直接[V, D] = cdf2rdf(v, d)，中间不要对v或d做任何修改。如果A是实对称矩阵，eig返回的本来就是实数，不需要cdf2rdf，强行调用反而会出错。
4.4 现象：符号运算 solve 求特征值结果里有 root 表达式或复数
用solve(f)求符号多项式的根时，如果多项式次数大于 4，MATLAB 可能返回root形式的符号解，或者带复数。这不是错误，是代数基本定理的必然结果——五次以上没有通用根式解。
解决办法：对高次多项式，直接用roots求数值解，或者用vpa把符号解转成高精度数值。如果只关心实特征值，用real取实部后再判断虚部是否可忽略。我一般对超过 4 阶的矩阵直接走eig，不碰符号求解，省得跟root表达式较劲。
4.5 现象：balance 之后特征值变了
balance做的是相似变换，理论上不改变特征值。如果你发现变了，大概率是变换后的矩阵条件数改善，数值计算更准了，所以结果和没平衡之前有微小差异。这不是 bug，是精度提升的表现。
解决办法：把balance前后的特征值都算出来对比，差异应该在合理范围内。如果差异巨大，检查T矩阵是否可逆，balance返回的T在极端情况下可能接近奇异。我一般只在确认矩阵条件数很差时才用balance，日常计算不加这一步。
5. 进阶技巧：用符号工具箱做精确对角化与二次型标准化
前面几章走的是数值路线，快但有浮点误差。如果你需要精确结果——比如做二次型标准化、推导变换矩阵的解析形式——符号工具箱是更好的选择。下面这套流程是我在需要"干净"结果时的固定操作。
先看一个完整的符号对角化例子：
A = [1 2 2; 2 1 2; 2 2 1]; E = eye(3); syms x f = det(x*E - A) % 特征多项式，符号形式 eigenvalues = solve(f) % 精确特征值f会返回x^3 - 3*x^2 - 9*x - 5，solve给出5, -1, -1。接下来对每个特征值求特征向量：
% 特征值 5 对应的特征向量 y = 5; B = y*E - A; b1 = sym(null(B)) % 基础解系，符号形式 % 特征值 -1 对应的特征向量 y = -1; B = y*E - A; b2 = sym(null(B)) % 返回两个基向量null(B)返回的是齐次方程组B*Z = 0的基础解系。对于二重特征值 -1，b2是一个 3x2 的矩阵，两列分别是两个线性无关的特征向量。把b1和b2拼起来得到变换矩阵T：
T = [b1, b2] % 所有特征向量拼成的矩阵 D = T^-1 * A * T % 验证对角化，结果应该是精确对角阵D会返回一个精确的对角阵，对角线上是5, -1, -1，非对角元严格为零。这就是符号运算的价值——没有浮点噪声，结果可以直接写进推导过程。
再看二次型标准化的场景。给定二次型矩阵A，要把它化成标准形，步骤是：
| 步骤 | 操作 | 对应代码 |
|---|---|---|
| 1 | 确认矩阵对称 | isequal(A, A') |
| 2 | 求特征值和正交特征向量 | [P, D] = eig(A) |
| 3 | 构造正交变换 | x = P * y |
| 4 | 代入二次型得到标准形 | y' * D * y |
| 5 | 验证变换矩阵正交性 | P' * P接近单位阵 |
这套流程的关键在第 2 步：实对称矩阵的eig返回的P一定是正交阵，所以P^-1就是P'，不用真的求逆。如果你拿到的P不正交，检查矩阵是否真的对称——数值上A - A'的范数应该在 1e-12 以下才算对称。
最后一个技巧是关于精度控制的。当你需要高精度数值结果时，vpa配合eig的符号输出能派上用场：
A = [1 2 2; 2 1 2; 2 2 1]; [V, D] = eig(sym(A)); % 符号形式求特征值 V_num = double(V); % 转回双精度 D_num = double(D); % 需要更高精度时用 vpa V_high = vpa(V, 32); % 32 位有效数字vpa的第二个参数控制有效数字位数，默认是 32。位数越高计算越慢，一般 32 位足够工程使用。我通常在验证理论推导时才用vpa，日常计算double就够了。
从那以后我每次做对角化验证，都强制走一遍"符号转数值再对比"的流程——先用sym算精确结果，再用double转回来对比数值解，差异超过 1e-10 就回头查矩阵条件数。这个习惯帮我逮住过好几次隐藏的亏损矩阵问题。希望帮到你。
本文还有配套的精品资源，点击获取
