这次我们来看一套适合入门和复习的免费MATLAB教程大谦MATLAB线性代数。它把“线性代数”和“MATLAB 操作”放在同一条线路上讲不单独念定义也不单纯堆命令而是用向量、矩阵、线性方程组、特征值、奇异值分解这些知识点把 MATLAB 的基本用法全部串起来。对于正在学线性代数、准备考研、刚入坑 MATLAB 数值计算或者在工作中需要用 MATLAB 做信号处理、控制系统、光学仿真、电扫阵列建模的同学来说这套教程可以直接对照着敲代码。这套教程最值得关注的点有三个免费、以实操为主、覆盖线性代数主干内容。作者不是把教材公式抄一遍而是通过命令演示“输入矩阵、调用函数、观察输出”的完整过程把抽象概念变成一条条可运行的 MATLAB 指令。你不需要一开始就懂全部理论只要打开 MATLAB按教程里的代码敲一遍再改几个参数就很容易理解“行、列、秩、特征值、奇异值”到底在算什么东西。本文会带读者做的事情很明确先确认自己的 MATLAB 环境能不能直接运行线性代数操作再按演示代码完成向量、矩阵、线性方程组、行列式、秩、逆、特征值、SVD 的完整验证最后把教程内容和工程问题结合起来解决 MATLAB 学习中最常见的安装、内存、矩阵维度报错和精度问题。如果你是零基础建议先按第 3 章的环境检查来一遍如果你已经会用 MATLAB重点看第 5 章的实验和第 9 章的最佳实践里面有不少可以直接抄进自己脚本的写法。1. 大谦MATLAB线性代数教程核心能力速览在看教程细节之前先把这套教程的规格和边界列出来。很多读者最关心的不是理论深浅而是“我现在能不能跑起来”“要不要装额外软件”“学到的东西能不能用到自己的项目里”。能力项说明教程类型免费 MATLAB 线性代数实操教程内容主线向量、矩阵、线性方程组、行列式、秩、逆、特征值、奇异值分解适合读者线性代数初学者、考研复习、MATLAB 入门、数值计算与仿真用户运行平台Windows / Linux / macOS取决于 MATLAB 是否可用硬件要求常规办公电脑即可内存建议 8 GB 及以上CPU 多核更流畅是否依赖 GPU不依赖线性代数教学案例用 CPU 运行即可是否需要额外工具箱基础案例只需要 MATLAB 主程序符号计算和可视化示例可配合 Symbolic Math Toolbox启动方式MATLAB 命令行、脚本.m文件或 Live Script.mlx运行是否支持 API教程本身不提供 API但 MATLAB 脚本可以用system或其他方式被外部程序调用是否支持批量任务可以把多个矩阵放进循环批量处理也可以把数据导入导出为文件配套资源每个知识点都有命令演示建议边看边敲这里说明一点教程的核心不是“讲完整个数值代数理论”而是“用最少的概念启动一次 MATLAB 计算”。所以就算你之前没学过线性代数也可以把下面每一段代码跑通再对照输出结果理解含义。越到后面你越会发现“线性代数”和“MATLAB 语法”其实是互相成就的你理解一个数学概念反而更容易记住一个命令你用熟一个命令对概念的理解也会更具体。2. 为什么要用 MATLAB 学线性代数很多人学线性代数是从手算开始的。手算的好处是训练运算过程缺点也很明显矩阵阶数稍微高一点计算量就上来了而且很难直观看到“矩阵变换”到底改变了什么。MATLAB 本身就是一个矩阵实验室它的基本数据类型就是矩阵。你用 MATLAB 学线性代数等于在所有概念后面加了一个“可计算、可验证”的后端。从教学角度看MATLAB 适合做三类验证。第一类是数值验证。例如方程组Ax b用x A\b直接求数值解再带回原式norm(A*x - b)检查误差。这样你能快速判断算法对不对不用每一步都手算。第二类是几何可视化。线性变换、投影、特征向量这些概念光靠公式很抽象。用quiver、plot、fill这类绘图函数可以把二维、三维空间里的向量变换画出来。看过一次变换动画之后再回到书本看定义理解成本会低很多。第三类是工程衔接。线性代数不是只活在作业里的。信号处理里的滤波矩阵、控制系统里的状态空间、图像处理里的像素矩阵、天线阵列中的导向矢量底层都是线性代数。你如果已经会用 MATLAB教程里的知识点可以很快迁移到真实问题里。如果你看过 3Blue1Brown 的《线性代数的本质》再用 MATLAB 做配套实验效果会更好。那个系列负责建立几何直觉MATLAB 负责给出精确数值结果两者互补。大谦MATLAB这套教程的思路也接近这个路线先讲概念再演示命令最后让你自己改参数观察变化。配合起来学比只看单一资料扎实得多。3. MATLAB 环境准备与使用边界3.1 安装 MATLAB 的最低要求需要注意这是一个教程资源不是软件包。要运行教程中的代码先要有可用的 MATLAB或者一台能联网的 MATLAB Online。常见的版本是 R2019b 之后的版本功能差异不大教程中大部分命令在更老版本也能运行。建议的桌面环境配置如下项目建议操作系统Windows 10/11、Ubuntu 20.04 及以上、macOS 12 及以上内存8 GB 及以上跑大型矩阵实验建议 16 GBCPU支持多核心即可不做强要求磁盘空间MATLAB 完整安装约 20~30 GB按安装选项决定GPU线性代数基础教程不需要 GPU工具箱基础教学仅需 MATLAB符号计算示例建议装 Symbolic Math Toolbox如果电脑配置比较老也不用太担心。线性代数教学案例基本都在 10x10 以下的矩阵上运行计算量很小。真正的性能压力来自你后期自己构造大矩阵例如rand(10000)会立刻分配一个 10000x10000 的双精度矩阵占用大约 800 MB 内存。了解这些界限之后你就能更合理地控制实验规模。3.2 没有 MATLAB 怎么办如果电脑上没有授权可以先开通 MathWorks 官方试用或者使用 MATLAB Online。登录之后新建脚本把后面的代码复制进去就能运行。这个流程不需要处理许可证文件比较适合快速学习。如果申请不到试用也可以先用 GNU Octave 代替。Octave 的语法和 MATLAB 高度兼容大部分矩阵运算命令可以直接跑。需要提醒的是Octave 在工具箱命令和部分绘图细节上与 MATLAB 有差别遇到函数不存在时按“兼容函数”查一遍。但是教程代码以 MATLAB 为准正式学习还是建议装 MATLAB。3.3 使用边界与版权说明这套教程本身是免费公开的适合个人学习和复习。如果你是学校或者公司组织培训建议先和教程作者确认使用方式不要直接大规模翻录、打包转售或者删掉来源后二次发布。用 MATLAB 做学习时注意自己电脑里的数据隐私不把公司内部数据放到公共在线环境中去跑。这是最基本的使用边界。4. 教程主线与学习路径从教程安排看主线大致可以拆成五个阶段。第一阶段是“矩阵不是数字表而是映射规则”。在这一阶段你用 MATLAB 建向量、建矩阵练习索引、拼接、转置、点乘和矩阵乘法。你不需要强记公式重点看命令输出和维度变化。第二阶段是“线性方程组怎么解”。从rref化简增广矩阵到inv求逆再到A\b数值求解逐步理解“解空间、零空间、行空间”之间的关系。第三阶段是“矩阵能拆成什么”。行列式、秩、逆、迹、范数、条件数这些标量指标用来判断矩阵是否可逆、是否病态。第四阶段是“特征值到底描述什么”。用eig算特征值和特征向量观察矩阵对向量的缩放与旋转理解对称矩阵为什么特征向量正交这对后续 PCA、谱分解很有用。第五阶段是“最常用的分解”。LU、QR、SVD 是 MATLAB 数值计算和工程应用里出现频率最高的分解。尤其 SVD在图像压缩、降维、伪逆、主成分分析里都是核心工具。这套顺序和大部分线性代数教材一致但它多了一步每学完一个概念立刻用 MATLAB 跑一个数值实验。我的建议是不要跳步第一阶段至少认真敲 30 分钟代码否则后面特征值和 SVD 会变成一个“会用函数但不理解”的状态。你看完一集教程后如果只记住一个命令那就把对应矩阵画出来看它到底对向量做了什么。这个习惯比背十行代码更值钱。5. 用 MATLAB 做线性代数实验代码与验证这一节是全文重点。每一小节都给一段可运行的 MATLAB 代码并告诉你看什么输出、怎么判断结果是否正确。建议新建一个linalg_demo.m脚本把代码分段粘贴运行。运行过程中不要怕报错报错本身就是学习的一部分。5.1 向量与矩阵的创建启动 MATLAB在命令行输入v [1; 2; 3]; % 列向量 w [1 2 3]; % 行向量 A [1 2; 3 4]; % 2x2 矩阵 B reshape(1:9, 3, 3); % 3x3 矩阵whos v w A B执行之后观察v是 3x1w是 1x3这两个维度不同MATLAB 处理时不会自动等同后面做点乘、矩阵乘法时最容易在这里报错reshape(1:9, 3, 3)会把 1 到 9 按列填充成 3x3 矩阵注意不是按行填充用whos能查看变量大小和占用空间这是一个非常实用的小习惯。这段操作的价值在于建立“维度即信息”的意识。很多线性代数报错都来自维数不匹配而不是数学本身出错。你如果能养成先检查size再计算的习惯至少可以躲开一半以上的低效踩坑。5.2 索引、切片与拼接A magic(4); % 生成 4x4 幻方矩阵 first_col A(:, 1); last_row A(4, :); A(2:3, 2:3) C [A, ones(4, 1)]; % 在原矩阵右侧拼接一列观察输出重点看索引范围。MATLAB 索引从 1 开始这和 Python、C 语言都不一样是新手最容易踩的点。A(:, 1)表示取第一列A(4, :)表示取第四行A(2:3, 2:3)表示取第 2 到 3 行、第 2 到 3 列的子矩阵。拼接操作[A, ones(4,1)]在构造增广矩阵时非常有用例如解线性方程组时需要把系数矩阵和常数项并排放在一起。这个习惯能让你在后处理数据时不用写一堆中间变量。5.3 解线性方程组Ax bA [2 1; 1 3]; b [5; 6]; x A \ b;residual A*x - b; norm(residual)这是最核心的线性代数实验。命令\被称为反斜杠求解器它会根据矩阵结构自动选择 LU、Cholesky 等算法。不要在简单场景下强行用inv(A)*b数值稳定性不如A\b。判断成功标准残差的范数接近机器精度例如1e-15级别。如果结果出现NaN说明矩阵可能奇异或者代码问题需要检查A是否可逆。把这段代码理解透后面的最小二乘拟合、控制系统状态求解、光学系统矩阵计算都会用到同一个模式。5.4 行列式、秩与逆A [1 2; 3 4]; det(A) rank(A) inv(A)B [1 2; 2 4]; det(B) rank(B)观察重点B的第二行是第一行的 2 倍所以行列式为 0秩为 1inv(B)会给出警告或无穷值。这个实验让你理解“矩阵不可逆”在数值软件中表现为什么样。你还会发现rank函数对浮点数会做容差判断不会因为微小的浮点误差就认为矩阵满秩。这个容差机制在做工程数据时很重要因为实测数据常常有噪声直接用det判断可逆性可能不够稳妥。5.5 特征值与特征向量A [2 1; 1 2]; [V, D] eig(A);D的对角线是特征值V的每一列是对应的特征向量。验证方式A * V(:, 1) D(1, 1) * V(:, 1)A*V(:,1)约等于D(1,1)*V(:,1)两者只在浮点误差范围内有细微差别。注意eig的输出列向量是按特征值排序的但不是所有情况都保证给你一个“漂亮”的版本。特征向量乘以非零常数仍然是特征向量所以不要因为符号相反就觉得代码错了。特征值在线性代数里是理解矩阵本征性质的重要入口后续在图像处理、振动分析、主成分分析里会反复出现。建议把这段代码多跑几遍换几个不同矩阵观察实对称矩阵和一般矩阵的特征向量差别。5.6 奇异值分解 SVDA [1 2; 3 4; 5 6]; [U, S, V] svd(A);对任意矩阵Asvd返回A U*S*V其中S的对角线是奇异值按从大到小排列。验证方式norm(A - U * S * V, fro)SVD 概念比特征值更难但工程价值很高。图像压缩、推荐系统、信号降噪都会用到。学习时不要求一次吃透能跑通验证命令就算迈过门槛。你还可以用svd的econ参数在矩阵形状不规则时返回更精简的分解避免不必要的内存开销。想要理解主成分分析可以先从 SVD 看起很多教材里 PCA 的数值实现都依赖 SVD。5.7 线性变换可视化下面这段代码演示一个线性变换把四个点组成的正方形经过矩阵A映射后变成平行四边形。square [0 0; 1 0; 1 1; 0 1]; A [1 0.5; 0 1]; transformed square * A; figure; hold on; fill(square(:, 1), square(:, 2), [0.8 0.8 1], FaceAlpha, 0.5); fill(transformed(:, 1), transformed(:, 2), [1 0.8 0.8], FaceAlpha, 0.5); axis equal; grid on; legend(原始图形, 变换后图形);这里用square * A表示行向量形式的点坐标。注意坐标是以行向量排列所以矩阵乘法顺序是points * A而不是A * points这是画图时最容易搞混的地方。如果你跟着 3Blue1Brown 里的线性变换动画学可以把这个图保存下来自己改矩阵A的数值观察正方形怎么被拉伸、斜切或翻转。可视化带来的直觉通常比公式更持久遇到复杂概念时先画图再算数往往更容易得出结论。5.8 用符号计算验证公式基础教学之外如果你装了 Symbolic Math Toolbox可以用符号计算验证一些手推公式。例如syms a b c d A [a b; c d]; det(A) inv(A)你会得到符号形式的行列式a*d - b*c和逆矩阵公式。这对不想硬背公式的同学很友好也能帮你确认inv和det在数值解里到底做了什么。符号计算的速度比数值计算慢所以只适合小矩阵和公式推导。工程中绝大多数场景仍然是数值计算优先符号计算作为辅助验证手段非常合适。5.9 保存和批量处理矩阵线性代数实验经常要一次处理多个矩阵。用循环批量检测矩阵是否可逆mats {[1 2; 3 4], [1 2; 2 4], eye(3)}; for i 1:length(mats) A mats{i}; if rank(A) size(A, 1) fprintf(第%d个矩阵可逆\n, i); else fprintf(第%d个矩阵不可逆\n, i); end end这个模式在后续处理真实数据时很常用把一批矩阵放进元胞数组或循环变量里统一做检查和计算再汇总结果。这也是“批量任务”的最简单形态。你可以在这个基础上继续扩展例如批量计算一组矩阵的条件数、批量做 SVD、批量保存结果到.mat文件。工程里最常见的批量任务不是一条命令解决所有问题而是把一个串行流程反复作用在不同数据上。6. 线性代数核心知识点速查表为了方便学习和复习我把线性代数里最常用的知识点与 MATLAB 命令整理成一张速查表。这张表不需要背建议放在电脑旁边遇到问题时直接查。数学概念手算任务MATLAB 命令向量内积v · wdot(v, w)或v*w向量范数矩阵乘法ABA * B转置A^TA.或A共轭转置A^HA线性方程组解AxbA \ b逆矩阵A^{-1}inv(A)广义逆A^pinv(A)行列式det(A)det(A)秩rank(A)rank(A)迹tr(A)trace(A)特征值λeig(A)特征向量v[V, D] eig(A)奇异值分解A UΣV^Tsvd(A)LU 分解A LUlu(A)QR 分解A QRqr(A)条件数cond(A)cond(A)矩阵范数化简行阶梯形rref(A)rref(A)零空间null(A)null(A)列空间col(A)orth(A)或colspace(sym(A))这张表覆盖了绝大多数线性代数教程会提到的基础操作。你可以把每个命令抄到一个.m文件里逐个运行一遍再对照教材里的定义检查输出。这样查表就不是背单词而是在做实验。7. 从教程到工程场景线性代数为什么值得学很多同学学线性代数时会问这东西以后用在哪这里给你几个真实场景。第一个是 MATLAB 光学工具箱相关开发。在光线传播、透镜变换、光束传输建模里矩阵是表示光学系统的基本工具。所谓“矩阵光学”就是把激光传播过程表示成一个矩阵多个光学元件依次作用就是矩阵连乘。你要是只会inv和eig的表面调用不会理解为什么一个 2x2 矩阵能代表整个光路。第二个场景是天线阵列仿真。在电扫阵列的波束形成、导向矢量计算、阵列流型矩阵构造中问题最终通常落到矩阵方程上。不同阵元之间的相位差可以用向量表示多阵元组合就是矩阵运算。计算最优波束权向量时常会看到w R \ a这种式子这就是用反斜杠求解器解一个线性方程组。没有矩阵概念很难看懂这类仿真代码。第三个场景是控制与仿真。在 Simulink 里做状态空间模型系统矩阵的特征值直接决定系统稳定性。用 MATLAB 做控制系统设计时eig(A)就是判断系统极点是否在左半平面的第一步。如果你之前只把线性代数当成期末考试内容现在再看这些应用会发现“特征值”“奇异值”“矩阵求逆”这些概念不是孤立的知识点而是工程计算的基础设施。所以我的建议是不要把这套免费MATLAB教程当成应付期末考试的刷题工具而是当作进入工程计算的入口。前几章非常简单后面到了 SVD 和特征值认真做了实验之后再回来看专业领域的代码理解速度会快很多。你甚至可以自己设计一个“最小实验”构造一个简单天线阵列的导向矩阵用 SVD 分析它的子空间然后和教材公式对照。这样就把教程知识和真实应用接起来了。8. MATLAB 线性代数学习常见问题与排查方法下面整理的这些问题都是跑 MATLAB 线性代数代码时最容易出现的。如果卡住了先不要急着重装软件按表格里的顺序检查一遍。问题现象可能原因排查方式解决方案启动 MATLAB 后打开很慢许可证验证、后台预加载看启动日志关闭多余插件安装后首次启动较慢属正常后续可关掉不必要的路径矩阵维度必须一致报错行列向量混用或矩阵乘法方向错误用whos查看变量维度统一用列向量或根据需要转置size先检查错误使用 inv输入应为方阵对非方阵求逆检查size(A)非方阵用pinv或改用\计算结果出现NaN矩阵奇异或除零查看det、rank检查是否数据重复改用pinv或增加正则化内存不足生成了超大矩阵whos查看变量占用清理变量、用sparse稀疏存储、分批处理中文注释乱码文件编码不一致查看脚本编码保存为 UTF-8 并在 MATLAB 中设置默认编码脚本运行结果和教程不一致版本差异或数据输入错误对比矩阵元素检查赋值语句是否完整特别是有没有;影响显示特征向量符号相反特征向量固有性质手工验证A*v λ*v符号相反也是正确解不需要强行修正绘图窗口无响应图形对象过多或显卡驱动问题重绘、简化数据用drawnow或者减少屏幕刷新频率A\b结果出现警告矩阵接近奇异条件数过大cond(A)检查条件数检查输入数据是否合理或用正则化方法8.1 安装和许可问题再补充如果 MATLAB 安装过程中卡住先检查磁盘剩余空间和杀毒软件拦截。按照官网安装向导操作时不需要勾选全部工具箱只装必要的“MATLAB”和“Symbolic Math Toolbox”能节省大量时间。遇到许可证无法激活联系学校或公司的许可证管理员不建议去下载来历不明的破解包安全性没有保障。运行环境出问题时优先看命令行窗口的红色报错信息定位到具体行号再排查这样效率最高。9. 最佳实践与学习建议9.1 第一次运行先做“小矩阵验证”很多同学习惯一上来就构造10000 x 10000的随机矩阵结果直接把内存吃满。建议先用 3x3、4x4 的矩阵跑通流程确认代码逻辑正确再逐步扩大规模。这个习惯可以帮你把“数学问题”和“性能问题”分开。如果一个小矩阵计算都报错先别急着加内存问题多半在维度或语法上。9.2 保留一套最小实验脚本建议建立以下目录结构matlab_linalg/ data/ % 存放输入矩阵数据 scripts/ % 存放 .m 脚本 results/ % 存放输出结果和图片每次学习时把脚本复制到scripts目录下统一命名例如exp01_向量与矩阵.m、exp02_线性方程组.m。这看起来很小但复习时会省很多时间。尤其当你后期做科研和仿真时一套清晰的目录结构能避免“脚本散落桌面、数据找不到路径”的问题。9.3 用 Live Script 做笔记MATLAB 的 Live Script.mlx可以把代码、输出、文字说明和图片放在同一个文档里。强烈建议把教程里的代码粘贴到.mlx里一边运行一边写中文注释形成自己的“可执行笔记”。后续复习时不用再去找散落的截图和公式。代码的最终形态不是“能运行”而是“可理解、可复用、可复现”。9.4 学会查看帮助文档看到一个不认识的函数先执行doc eig help svddoc打开带超链接的文档页面help在命令行直接显示函数说明。这是自学 MATLAB 最重要的技能比收藏任何视频教程都管用。遇到函数参数不确定时先看doc里的 Examples再复制到本机跑一遍。这种“官方文档优先”的习惯能让你在脱离教程之后继续独立解决问题。9.5 警惕“只抄代码不重写”你完全可以先复制教程代码跑通但跑通后建议做一件事关掉脚本重新手敲一遍不复制。这样做对记忆命令语法、函数名和维度规则帮助最大。如果第三遍还能独立写出来这个知识点基本就掌握了。很多人在线看教程时觉得什么都懂关掉视频后无从下手原因就是动手太少。9.6 把实验数据存成文件矩阵运算结果如果以后还要用用save保存数据A magic(5); save(A.mat, A);下次读取load(A.mat);这是非常实用的工程习惯。很多科研和仿真项目里中间数据不保存脚本一旦重新运行就要全部重算浪费时间也容易引入误差。批量处理时更推荐把文件名按“日期_实验名_参数方式”命名例如exp2_size3_rank2.mat这样后期回顾时一目了然。10. 总结与下一步大谦MATLAB这套线性代数免费教程最值得尝试的点在于它把教材里抽象的矩阵概念全部落到可运行的 MATLAB 命令上。你不需要一次性背下所有公式只要按“建矩阵、做计算、看输出”的流程走一遍很多概念就自然变成可操作的经验。建议你先做三件事第一打开 MATLAB 或申请试用确认能运行A\b这条命令第二把 5.1 到 5.7 的代码逐段敲一遍重点观察输出结果第三选一个自己专业相关的场景比如光学成像、电扫阵列仿真或控制系统把线性代数实验和真实问题联系起来。最容易踩的坑有三个MATLAB 索引从 1 开始导致切片出错、inv用在奇异矩阵上、向量行列方向弄反。这三点在初学阶段非常常见但只要跑过一遍代码基本就不会再犯。后续可以从两个方向继续扩展一是深入数值计算学习lu、qr、svd在具体数据上的应用二是把线性代数迁移到 MATLAB 的光学工具箱、Simulink 仿真或电扫阵列建模中这时你会发现教程里的每个矩阵操作都有真实的工程含义。建议把这篇文章收藏备用等真正动手跑 MATLAB 时照着第 5 章的实验流程走一遍学习效率会高很多。