如何解决条件数过高的矩阵求解Ax=b精度问题？

你遇到的问题是矩阵A属于病态矩阵（条件数极高，RCOND=4.757657e-19），直接使用linsolve求解时，舍入误差会被严重放大，导致解的精度极低。以下是几种可行的解决方法：

你的原始代码 #

A = [+0.00, -2.34, -2.25, -2.16, -2.07, -1.98, -1.89, -1.80, -0.72, +0.09, +1.16;
+2.34, +0.00, -3.15, -3.06, -2.97, -2.88, -2.79, -2.70, -1.26, -0.18, +0.98;
+2.25, +3.15, +0.00, -3.96, -3.87, -3.78, -3.69, -3.60, -1.80, -0.45, +0.80;
+2.16, +3.06, +3.96, +0.00, -4.77, -4.68, -4.59, -4.50, -2.34, -0.72, +0.62;
+2.07, +2.97, +3.87, +4.77, +0.00, -5.58, -5.49, -5.40, -2.88, -0.99, +0.44;
+1.98, +2.88, +3.78, +4.68, +5.58, +0.00, -6.39, -6.30, -3.42, -1.26, +0.26;
+1.89, +2.79, +3.69, +4.59, +5.49, +6.39, +0.00, -7.20, -3.96, -1.53, +0.08; 
+1.80, +2.70, +3.60, +4.50, +5.40, +6.30, +7.20, +0.00, -2.00, -1.40, +0.00;
+0.72, +1.26, +1.80, +2.34, +2.88, +3.42, +3.96, +2.00, +0.00, -0.60, -0.24;
-0.09, +0.18, +0.45, +0.72, +0.99, +1.26, +1.53, +1.40, +0.60, +0.00, -0.42;
-1.16, -0.98, -0.80, -0.62, -0.44, -0.26, -0.08, +0.00, +0.24, +0.42, +0.00]

b = [1;1;1;1;1;1;1;1;1;1;1]

x = linsolve(A,b)

disp("Verification: (should be close to b)")
disp(A*x)

方法1：Tikhonov正则化（稳定求解） #

通过添加小的对角矩阵到A'A，增强矩阵的数值稳定性，避免误差放大。可以手动实现或使用Matlab内置的最小范数求解函数：

% 手动正则化
lambda = 1e-6; % 正则化参数，需根据实际调整
x_reg = (A'*A + lambda*eye(size(A)))\(A'*b);

% 或者使用内置函数lsqminnorm，自动选择合适的正则化强度
x_reg = lsqminnorm(A, b);

disp('正则化求解验证结果：');
disp(A*x_reg);

注意：正则化参数lambda需要平衡稳定性和准确性，过小无法抑制误差，过大则会引入系统性偏差，可通过观察残差大小调整。

方法2：可变精度算术（高精度计算） #

使用Matlab的vpa工具提升计算精度，减少舍入误差的累积：

digits(100); % 设置100位小数的计算精度
A_vpa = vpa(A);
b_vpa = vpa(b);
x_vpa = linsolve(A_vpa, b_vpa);

disp('高精度计算验证结果：');
disp(A_vpa*x_vpa);

% 转换回双精度类型（若需要）
x_double = double(x_vpa);

适用场景：矩阵规模较小的情况，计算速度会慢于双精度，但能显著提升解的精度。

方法3：奇异值分解（SVD）截断 #

对矩阵A做SVD分解，丢弃极小的奇异值（这些是导致矩阵病态的核心原因），再重构求解：

[U, S, V] = svd(A);
threshold = 1e-10; % 奇异值截断阈值，根据RCOND调整
S_trunc = S;
S_trunc(S < threshold) = 0; % 置极小奇异值为0

x_svd = V * (pinv(S_trunc) * (U' * b));

disp('SVD截断求解验证结果：');
disp(A*x_svd);

说明：截断阈值需根据奇异值的分布确定，目标是移除对解贡献极小但会放大误差的分量。

额外建议 #

• 先检查矩阵A是否存在线性相关的行/列：若存在冗余行/列，可删除后转化为满秩最小二乘问题求解。
• 若矩阵A来自实验数据，需检查数据是否存在噪声或测量误差，可先对数据进行归一化、去噪预处理。

内容的提问来源于stack exchange，提问作者Joey Peluka