matlab中怎样计算一个矩阵中每个数的平方

Posted 2023-03-18

使用点运算。如果原矩阵式A，可以使用A.*A或者A.^2

MatLab中点运算是对相同维数的矩阵的对应元素进行相应的运算。

.* 点乘，相同维数的矩阵的对应元素相乘。

.^ 点乘幂，A.^B相同维数的矩阵A元素的B对应元素次幂。A.^n矩阵A中所有元素取n次幂。

.\\ 点左除，相同维数的矩阵的对应元素进行\\运算。

./ 点右除，相同维数的矩阵的对应元素进行/运算。

具体步骤：

一、加和减：

加减法的命令很简单，直接用加或者减号就可以了。如：

c=a+b

d=a-b

二、乘法：

一般乘法：c=a*b,要求a的列数等于b的行数。

如果a,b是一般的向量，如a=[1,2,3]   b=[3,4,5]

点积：      dot(a,b),   

叉积：      cross（a,b)

卷积：       conv(a,b)

三、除法：一般在解线性方程组时会用到。

x=a\\b       如果ax=b，则 x=a\\b是矩阵方程的解。

x=b/a       如果xa=b,  则x=b/a是矩阵方程的解。

四、转置：

转置时，矩阵的第一行变成第一列，第二行变成第二列，。。。

x=a.'

五、求逆：

要求矩阵为方阵。这在矩阵运算中很常用。

x=inv(a)

参考技术A 这个计算可利用matlab数组计算，如：
a=magic(3)
b=a.^2
结果是：
a =
8 1 6
3 5 7
4 9 2
b =
64 1 36
9 25 49
16 81 4本回答被提问者采纳

在Matlab中有效地计算成对平方欧几里德距离

给出两组d维点。如何在Matlab中最有效地计算成对平方欧氏距离矩阵？

符号：第一组由(numA,d)矩阵A给出，第二组由(numB,d)矩阵B给出。得到的距离矩阵的格式应为(numA,numB)。

示例点：

d = 4;            % dimension
numA = 100;       % number of set 1 points
numB = 200;       % number of set 2 points
A = rand(numA,d); % set 1 given as matrix A
B = rand(numB,d); % set 2 given as matrix B

答案

这里通常给出的答案是基于bsxfun（参见例如[1]）。我提出的方法基于矩阵乘法，结果比我能找到的任何类似算法快得多：

helpA = zeros(numA,3*d);
helpB = zeros(numB,3*d);
for idx = 1:d
    helpA(:,3*idx-2:3*idx) = [ones(numA,1), -2*A(:,idx), A(:,idx).^2 ];
    helpB(:,3*idx-2:3*idx) = [B(:,idx).^2 ,    B(:,idx), ones(numB,1)];
end
distMat = helpA * helpB';

请注意：对于常数d，可以通过硬编码实现替换for-loop，例如

helpA(:,3*idx-2:3*idx) = [ones(numA,1), -2*A(:,1), A(:,1).^2, ... % d == 2
                          ones(numA,1), -2*A(:,2), A(:,2).^2 ];   % etc.

评价：

%% create some points
d = 2; % dimension
numA = 20000;
numB = 20000;
A = rand(numA,d);
B = rand(numB,d);

%% pairwise distance matrix
% proposed method:
tic;
helpA = zeros(numA,3*d);
helpB = zeros(numB,3*d);
for idx = 1:d
    helpA(:,3*idx-2:3*idx) = [ones(numA,1), -2*A(:,idx), A(:,idx).^2 ];
    helpB(:,3*idx-2:3*idx) = [B(:,idx).^2 ,    B(:,idx), ones(numB,1)];
end
distMat = helpA * helpB';
toc;

% compare to pdist2:
tic;
pdist2(A,B).^2;
toc;

% compare to [1]:
tic;
bsxfun(@plus,dot(A,A,2),dot(B,B,2)')-2*(A*B');
toc;

% Another method: added 07/2014
% compare to ndgrid method (cf. Dan's comment)
tic;
[idxA,idxB] = ndgrid(1:numA,1:numB);
distMat = zeros(numA,numB);
distMat(:) = sum((A(idxA,:) - B(idxB,:)).^2,2);
toc;

结果：

Elapsed time is 1.796201 seconds.
Elapsed time is 5.653246 seconds.
Elapsed time is 3.551636 seconds.
Elapsed time is 22.461185 seconds.

有关w.r.t的更详细评估数据点的维度和数量遵循以下讨论（@comments）。事实证明，在不同的环境中应该首选不同的算法。在非时间紧急情况下，只需使用pdist2版本。

进一步发展：人们可以考虑用基于相同原理的任何其他指标替换平方欧几里得：

help = zeros(numA,numB,d);
for idx = 1:d
    help(:,:,idx) = [ones(numA,1), A(:,idx)     ] * ...
                    [B(:,idx)'   ; -ones(1,numB)];
end
distMat = sum(ANYFUNCTION(help),3);

然而，这非常耗时。用d二维矩阵替换较小的help三维矩阵d可能是有用的。特别是对于d = 1，它提供了一种通过简单矩阵乘法计算成对差异的方法：

pairDiffs = [ones(numA,1), A ] * [B'; -ones(1,numB)];

你有什么进一步的想法吗？

另一答案

对于平方欧几里德距离，也可以使用以下公式

||a-b||^2 = ||a||^2 + ||b||^2 - 2<a,b>

其中<a,b>是a和b之间的点积

nA = sum( A.^2, 2 ); %// norm of A's elements
nB = sum( B.^2, 2 ); %// norm of B's elements
distMat = bsxfun( @plus, nA, nB' ) - 2 * A * B' ;

最近，我一直在told tha作为R2016b这个计算平方欧几里德距离的方法比接受的方法快。