今天遇到一个问题，有一个4333*1的**complex double 矩阵**，进行相关运算时候，发现matlab运行出不来结果，于是就开始着手解决这个问题，后来参考很多资料，总结了两种方案，比较得出第二种方案更佳：
首先思路都是先将这个变量矩阵保存为.dat的文件，然后下次用到时候再引用出来。用到语句是：
fid_r=fopen('test_111.dat','w'); %创建文件test_111.dat
fwrite(fid_r,rc_e,precision); %将rc_e变量写入fid_r，即存入变量test_111.dat中
fid_r=fopen('test_111.dat','r');%读数据文件
data_real = fread(fid_r,Nr,precision);%将数据文件test_111.dat写入data_real
1.一开始为了图省事，我把这个complex矩阵存到一个dat文件中，但是后面在for循环中调用时候，又会运行很慢！ 这里面在存储dat文件时候，需要调用一个Des_conv函数，下面会说到。
2.另一种思路，把complex数据分成实部，虚部存到两个dat文件中，后面for循环用到时候也是先分别调用出来，再用y=data1+j*data2的形式构建原来complex数据。这样效率大大提高了！ 当然在存储时候，也用到了Des_conv函数。
【Des_conv函数】：在size比较大的复数矩阵存储时候，如果直接存储会偶尔出错，并且每运行一次就有一次新结果。将文件A中的矩阵分成4块来转置存储到B中，实现了矩阵的快速存储。附上函数代码：
function RDS_conv(src,dst,row,column)
% 实现将文件src中的矩阵分成4块来转置存储到dst中，不必考虑M是否为4的整数倍。
BYTE = 4;
precision = 'float32';
SUB_NUM = 4;             % 将矩阵分成4块来处理
block = fix(column/SUB_NUM);  % 向零取整
reml = rem(column,SUB_NUM);   % column/CON_LINE取余
fs = fopen(src,'r');
fd = fopen(dst,'w');
fseek(fs,0,-1);
fseek(fd,0,-1);
temp = zeros(row,block);
for jj = 1 : SUB_NUM
fseek(fs,0,-1);
beginN = (jj - 1)*block*BYTE;
endN = (SUB_NUM - jj)*block*BYTE + reml*BYTE;
for ii = 1 : row
fseek(fs,beginN,0);
kkk = fread(fs,block,precision);
temp(ii,:) = kkk.';
fseek(fs,endN,0);
end
fwrite(fd,temp,precision);
end
if (reml>0)
temp_rem = zeros(row,reml);
fseek(fs,0,-1);
for ii = 1 : row
fseek(fs,SUB_NUM*block*BYTE,0);
ggg = fread(fs,reml,precision);
temp_rem(ii,:) = ggg.';
end
fwrite(fd,temp_rem,precision);
end
fclose('all');
disp('end of matrix_rotate')
最后把整个处理的大致代码附上：
fid_r=fopen('data_real.dat','r');
fid_i=fopen('data_image.dat','r');
/*   中间复数变量RC的计算过程   */
fwrite(fid_r,real(RC),precision);
fwrite(fid_i,imag(RC),precision);
RDS_conv('data_real.dat','data_real_ro.dat',Na,Nr_effect); %分块存储实部
RDS_conv('data_image.dat','data_image_ro.dat',Na,Nr_effect);%分块存储虚部
fid_r=fopen('data_real.dat','r');
fid_i=fopen('data_image.dat','r');
data_real_range= fread(fid_r,Nr,precision);
data_image_range = fread(fid_i,Nr,precision);
data_last=(data_real_range+1i*data_image_range).';
/*   后面计算过程   */
当然，这只是我遇到的matlab运行结果慢时候的一种情形解决方案，有其他问题导致运行效率低的同学，也可以参考这篇博文：提高matlab运行效率：https://blog..net/pursh0000/article/details/51314209

	

1前言
谈谈关于MATLAB的矩阵算数运算。上节仿真结果得到出一个五元一次方程组，而且数据还有复数，这样的仿真组人工计算很难完成，那就不得不借助MATLAB强大的计算功能。本算例建立.m文件处理数据，可以快速得出多个未知变量解。下面介绍介绍矩阵运算与非齐次线性方程组求解。
2 MATLAB矩阵算术运算
在这里先纠正一个错误，第一节中“Scope工具栏还原方法”中
set(gcf,'menubar','figure')重复了两遍，需要将第一条命令改为：
set(0,'ShowHiddenHandles','On')。
1、矩阵加减运算
同型矩阵通过“+”，“-”直接完成运算。
clcclearA = [1.1 + 0.2i 3.2 - 2.1i;     0.8 - 0.3i 9.3 + 0.6i];B = [1.9 + 0.9i 9.2 - 6.1i;     0.1 - 4.3i 5.3 + 4.6i];C = A + B;D = A - B;vpa(C,5)vpa(D,5)
运行结果
2、矩阵乘法运算
矩阵乘法分为直接相乘(A1*B1)和点乘(A.*B)，直接相乘要求A矩阵的列数等于B矩阵的行数，点乘是两个同型矩阵对应元素相乘。
A1 = [1.1 + 0.2i 3.2 - 2.1i 0.6 - 4.4i;0.8 - 0.3i 9.3 + 0.6i 1.4 + 3.1i];B1 = [1.9 + 0.9i 9.2 - 6.1i;0.1 - 4.3i 5.3 + 4.6i;3.1 + 0.4i 5.2 - 1.3i];C1 = A1 * B1;D1 = A .* B;vpa(C1,5)vpa(D1,5)
运行结果
3、矩阵的除法
矩阵除法分为左除(A1\B2)、右除(A1/B2)和点除(A1./B3)。左除是求解Ax=b的解、右除是求解xA=b的解、点除表示同型矩阵对应元素相除。
A1 = [1.1 + 0.2i 3.2 - 2.1i 0.6 - 4.4i;     0.8 - 0.3i 9.3 + 0.6i 1.4 + 3.1i;     2.8 - 0.8i 2.3 + 1.6i 1.9 + 2.1i];B2 = [4 2 7]';B3 = [4 1 3;      2 4 5;      7 3 8]';C2 = A1 \ B2;D2 = A1 / B3; E2 = A1 ./ B3;vpa(C2,5)vpa(D2,5)vpa(E2,5)
运行结果
其他运算不再举例参考书籍：1.MATLAB.&Simulink开发实例系列丛书 新编MATLAB/Simulink自学一本通2.MATLAB的工程数学应用3非齐次线性方程组求解
1、非齐次线性方程求解问题
例：五元一次方程求解,形如Ax=b。
A1x=B4
A1 = [1.1 + 0.2i 0 0 0 0.6 - 4.4i;      0 9.3 + 0.6i 0 0 1.4 + 3.1i;      0 0 2.8 - 0.8i 0 1.9 + 2.1i;      0 0 4.6 - 0.2i 0 1.5 + 0.6i;      0 0 0 2.3 + 0.5i 2.3 + 9.2i];B4 = [2 4 1 6 3]';format rationalE3 = A1 \ B4;  vpa(E3,5)
运行结果
其他形式不再举例。
往期精选
MATLAB/simulink仿真入门(第一节)
LLC谐振变换器原理(第一部分)
LLC谐振变换器原理(第三部分)
LLC谐振变换器(第五部分)TL431
1kW LLC谐振参数计算书
对称半桥LLC工作过程分析
对称半桥与不对称半桥对比
end
您的点赞
就是我的动力
研途
你的“在看”就是最大的鼓励！

学
计
算
功
能
Abs(x)
实数的绝对值或复数的幅值
floor(x)
对
x
朝
-
∞方向取整
Acos(x)
反余弦
arcsin
x
gcd(m
，
n
)
求正整数
m
和
n
的最大公约数
acosh(x)
反双曲余弦
arccosh
x
imag(x)
求复数
x
的虚部
angle(x)
在四象限内求复数
x
的相角
lcm(m
，
n)
求正整数
m
和
n
的最小公倍数
asin(x)
反正弦
arcsin
x
log(x)
自然对数(以
e
为底数)
asinh(x)
反双曲正弦
arcsinh
x
log10(x)
常用对数(以
10
为底数)
atan(x)
反正切
arctan
x
real(x)
求复数
x
的实部
atan2(x,y)
在四象限内求反正切
Rem(m
，
n)
求正整数
m
和
n
的
m/n
之余数
atanh(x)
反双曲正切
arctanh
x
round(x)
对
x
四舍五入到最接近的整数
ceil(x)
对
x
朝
+
∞方向取整
sign(x)
符号函数：求出
x
的符号
conj(x)
求复数
x
的共轭复数
sin(x)
正弦
sin
x
cos(x)
余弦
cos
x
sinh(x)
反双曲正弦
sinh
x
cosh(x)
双曲余弦
cosh
x
sqrt(x)
求实数
x
的平方根：
x
exp(x)
指数函数
xe
tan(x)
正切
tan
x
fix(x)
对
x
朝原点方向取整
tanh(x)
双曲正切
tanh
x
2
、常量与变量
系统的变量命名规则：
变量名区分字母大小写；
变量名必须以字母打头，
其后可以是任
意字母，
数字，
或下划线的组合。
此外，
系统内部预先定义了几个有特殊意义和用途的变量，
见下表：
特殊的变量、常量
取
值

	今天遇到一个问题，有一个4333*1的**complex double 矩阵**，进行相关运算时候，发现matlab运行出不来结果，于是就开始着手解决这个问题，后来参考很多资料，总结了两种方案，比较得出第二种方案更佳：
	首先思路都是先将这个变量矩阵保存为.dat的文件，然后下次用到时候再引用出来。用到语句是：
	    fid_r=fopen('test_111.dat','w'); %创建文件test_111.dat
		fwrite(fid_r,rc_e,precision); %将rc_e变量写入fid_r，即存入变量test_111.dat中
		
		fid_r=fopen('test_111.dat','r');%读数据文件
		data_real = fread(fid_r,Nr,precision);%将数据文件test_111.dat写入data_real
	1.一开始为了图省事，我把这个complex矩阵存到一个dat文件中，但是后面在for循环中调用时候，又会运行很慢！ 这里面在存储dat文件时候，需要调用一个Des_conv函数，下面会说到。
	2.另一种思路，把complex数据分成实部，虚部存到两个dat文件中，后面for循环用到时候也是先分别调用出来，再用y=data1+j*data2的形式构建原来complex数据。这样效率大大提高了！ 当然在存储时候，也用到了Des_conv函数。
	【Des_conv函数】：在size比较大的复数矩阵存储时候，如果直接存储会偶尔出错，并且每运行一次就有一次新结果。将文件A中的矩阵分成4块来转置存储到B中，实现了矩阵的快速存储。附上函数代码：

function RDS_conv(src,dst,row,column)
% 实现将文件src中的矩阵分成4块来转置存储到dst中，不必考虑M是否为4的整数倍。
BYTE = 4;
precision = 'float32';
SUB_NUM = 4;             % 将矩阵分成4块来处理
block = fix(column/SUB_NUM);  % 向零取整
reml = rem(column,SUB_NUM);   % column/CON_LINE取余
fs = fopen(src,'r');
fd = fopen(dst,'w');
fseek(fs,0,-1);
fseek(fd,0,-1);
temp = zeros(row,block);
for jj = 1 : SUB_NUM
    fseek(fs,0,-1);
    beginN = (jj - 1)*block*BYTE;
    endN = (SUB_NUM - jj)*block*BYTE + reml*BYTE;
    for ii = 1 : row
        fseek(fs,beginN,0);
        kkk = fread(fs,block,precision);
        temp(ii,:) = kkk.';
        fseek(fs,endN,0);
    end
    fwrite(fd,temp,precision);    
end
if (reml>0)
    temp_rem = zeros(row,reml);
    fseek(fs,0,-1);
    for ii = 1 : row
        fseek(fs,SUB_NUM*block*BYTE,0);
        ggg = fread(fs,reml,precision);
        temp_rem(ii,:) = ggg.';
    end
    fwrite(fd,temp_rem,precision);
end
fclose('all');
disp('end of matrix_rotate')

最后把整个处理的大致代码附上：
fid_r=fopen('data_real.dat','r');
fid_i=fopen('data_image.dat','r');
/*   中间复数变量RC的计算过程   */
fwrite(fid_r,real(RC),precision);
fwrite(fid_i,imag(RC),precision);
RDS_conv('data_real.dat','data_real_ro.dat',Na,Nr_effect); %分块存储实部
RDS_conv('data_image.dat','data_image_ro.dat',Na,Nr_effect);%分块存储虚部

fid_r=fopen('data_real.dat','r');
fid_i=fopen('data_image.dat','r');
data_real_range= fread(fid_r,Nr,precision);
data_image_range = fread(fid_i,Nr,precision);
data_last=(data_real_range+1i*data_image_range).';

/*   后面计算过程   */


当然，这只是我遇到的matlab运行结果慢时候的一种情形解决方案，有其他问题导致运行效率低的同学，也可以参考这篇博文：提高matlab运行效率：https://blog.csdn.net/pursh0000/article/details/51314209