企业官网建设流程全解析

1. 这不是“学软件”，是给数学建模装上第一副骨架

你打开Matlab，新建一个脚本，敲下a = [1,2,3]，运行，屏幕上跳出一行数字——这看起来像入门，但其实你已经站在数学建模最底层的承重结构上了。我带过七届校队打全国赛，每年都有学生卡在“模型跑不通”上，翻来覆去调参数、改方程，最后发现根本不是算法问题，而是数据存错了格式、索引越界了、矩阵维度没对齐——全是数据结构和基础操作层面的硬伤。Matlab不是计算器的升级版，它是一套以矩阵为原语、以向量为思维习惯、以结构化存储为逻辑起点的建模语言。你写的每一行代码，本质上都在定义数据如何组织、如何流动、如何被运算引擎识别。比如ttest和ttest2的区别，表面看是函数调用不同，深层其实是数据组织方式的分野：ttest要求你把单组样本打包成列向量，而ttest2强制你把两组数据分别存成两个同长度列向量；如果你把两组数据强行拼成一个矩阵再传给ttest，结果直接失效——这不是函数写得不好，是你没按它的数据契约来交付。再比如matlab中1e100如何表示，看似是语法问题，实则是浮点数精度与内存布局的隐性约束：Matlab默认双精度浮点数，能精确表示的最大整数是2^53，1e100本身没问题，但一旦参与运算（比如1e100 + 1），结果仍是1e100，因为+1这个增量在指数级数量级下被精度舍弃了。这些细节，教科书不会写，视频教程常跳过，但它们就是建模时debug半天找不到的“幽灵错误”。这篇内容专为数学建模新手设计，不讲界面按钮在哪，不堆砌函数列表，只聚焦三件事：数据怎么存才不踩坑、怎么取才不越界、怎么算才不出错。适合刚接触Matlab、正准备打比赛、或被队友甩过来一段报错代码却看不懂的你。我会用真实建模场景还原每个操作背后的物理意义，比如用潮汐数据解释结构体字段访问，用离散时间系统状态转移说明cell数组的不可替代性，让你每一步操作都心里有底。

2. 数据结构设计：为什么矩阵不是“二维数组”，而是建模的底层语言

2.1 矩阵：Matlab的呼吸器官，不是容器而是运算主体

在C++或Python里，数组是内存中一块连续空间，你通过下标访问元素；但在Matlab里，矩阵是一等公民，是所有运算的默认载体。A = [1,2;3,4]创建的不是一个“二维数组”，而是一个2×2的矩阵对象，它的存在本身就携带了线性代数语义。当你执行A * B，Matlab自动调用BLAS库进行矩阵乘法；而A .* B才是逐元素相乘。这个区别不是符号游戏，它直接决定你的模型是否符合数学本质。举个建模实例：离散时间系统状态方程x(k+1) = A*x(k) + B*u(k)。如果A被误定义为普通二维列表（如Python的list of list），A*x(k)会报错或返回意外结果；只有当A是Matlab矩阵，x(k)是列向量，乘法才严格对应状态转移的线性映射。我见过太多同学把传感器采集的多通道数据存成data = [ch1,ch2,ch3]，结果做FFT时发现频谱歪了——问题出在ch1是行向量，ch2是列向量，拼接后data变成1×3的行向量而非3×N的矩阵，导致fft(data)对每行做变换而非对每列（即每个通道）做变换。正确做法是统一用列向量：ch1 = data(:,1); ch2 = data(:,2);，再用[ch1,ch2,ch3]拼接，确保data是N×3矩阵，fft(data)自动沿第一维（时间轴）计算。这就是矩阵作为“运算主体”的威力：它让代码天然贴合数学表达式，减少思维转换损耗。

2.2 向量：建模中最频繁的数据形态，方向性决定一切

Matlab中向量没有“行向量/列向量”之分，只有方向性。v = [1,2,3]是1×3行向量，v = [1;2;3]是3×1列向量。这个区别在建模中致命。例如潮汐分潮分析，你需要将实测水位序列h（N×1列向量）与分潮基函数矩阵Phi（N×M）做最小二乘拟合：amp = Phi \ h。如果h是1×N行向量，\运算会报错“矩阵维度不匹配”；如果强行转置h'，结果amp会是1×M行向量，后续提取振幅时amp(1)取到的是第一个分潮的振幅，但若你误以为amp是列向量而写amp(1,1)，就会索引错误。更隐蔽的坑在绘图：plot(t,h)要求t和h同为列向量或同为行向量，若t是列向量、h是行向量，Matlab会画出N条水平线（每行一个点），而非一条曲线。我的解决方案是建立铁律：所有时间序列、状态变量、观测值，默认存为列向量。初始化时加一句h = h(:);强制转列，既安全又省心。对于需要行向量的场景（如meshgrid的输出），明确用X = X(1,:)取第一行，避免隐式转换。

2.3 结构体：为复杂模型命名空间，比全局变量安全十倍

当模型涉及多个子系统（如永磁同步电机控制中的电流环、速度环、位置环），用Iq_ref,Id_ref,omega_ref,theta_ref一堆变量名不仅难管理，还易冲突。结构体ctrl则提供天然命名空间：ctrl.Iq_ref = 10; ctrl.Id_ref = 0; ctrl.omega_ref = 100;。这不仅是命名整洁，更是建模逻辑的显性化。brain connectivity toolbox这类专业工具箱大量使用结构体封装参数，因为神经连接数据包含节点坐标、边权重、属性标签等异构信息，结构体字段可混合存储数值、字符串、甚至其他结构体。关键技巧在于动态字段名：field_name = 'Iq_ref'; ctrl.(field_name) = 10;这在循环设置参数时极有用。但要注意陷阱：结构体字段访问ctrl.Iq_ref比直接变量Iq_ref慢约3倍，高频循环中应先提取tmp = ctrl.Iq_ref再运算。另外，结构体不能直接参与矩阵运算，ctrl.Iq_ref + ctrl.Id_ref合法，但ctrl + ctrl2非法——它提醒你：结构体是数据容器，运算需在字段层面展开。

2.4 元胞数组：处理异构数据的瑞士军刀，慎用但必会

元胞数组C像一个抽屉柜，每个抽屉（cell）可放任意类型数据：C{1} = 'motor'; C{2} = [1,0;0,1]; C{3} = struct('Kp',10,'Ki',1);。它在建模中解决两大难题：一是变长数据，如不同实验组的采样点数不同，data{1} = rand(100,1); data{2} = rand(150,1);；二是混合类型，如实验报告需存原始数据、处理代码、结果图，report{1} = raw_data; report{2} = code_string; report{3} = fig_handle;。但元胞数组的坑在于访问语法：圆括号C(1)返回1×1元胞，花括号C{1}才返回内容。常见错误是plot(C(1),C(2))，实际画的是两个元胞而非数据。正确写法是plot(C{1},C{2})。另一个坑是预分配：C = cell(1,10)创建10个空元胞，但C{1} = []后C{1}是空数组，C{1} = {}才是空元胞——后者在后续赋值时可能引发类型错误。我的经验是：元胞数组只用于顶层数据组织，内部运算前务必解包。比如处理多组潮汐数据：for i=1:length(data_cell), h = data_cell{i}; tide_fit = fit_tide(h); end，绝不把fit_tide函数设计成接受元胞输入。

2.5 表格：面向列的数据管理，让建模过程可追溯

table是Matlab 2013b引入的数据结构，专为实验数据设计。T = table(height,weight,gender,'RowNames',names)创建的表格，T.height返回列向量，T(1:5,:)返回前5行子表，T(T.gender=='M',:)返回男性子集。这在数据预处理阶段价值巨大。例如matlab图像处理大作业中，你要对比不同滤波器对10张图片的效果，用表格记录：results = table(); results.image_name = {'img1','img2',...}; results.snr_before = [20.1,18.7,...]; results.snr_after = [25.3,22.1,...];。后续分析时，mean(results.snr_after - results.snr_before)直接计算平均信噪比提升，无需维护多个平行数组。表格还支持varfun函数批量处理列：T2 = varfun(@mean,T,'InputVariables',{'snr_before','snr_after'})生成均值汇总表。但注意：表格列名必须是合法变量名（不能含空格、特殊字符），且所有行数必须一致。我的实践是：原始数据导入后立即转表格，清洗步骤用rmmissing、fillmissing，分析前用convertvars统一数值类型，避免后期因数据类型混杂导致groupsummary失败。

3. 基础操作核心：索引、赋值、运算的三重门道

3.1 索引：从“取数”到“定义数据关系”的思维跃迁

Matlab索引不是简单的“找位置”，而是定义数据子集关系的声明式语言。A(2:4,1:3)不是“取第2-4行第1-3列”，而是声明“由A的第2、3、4行与第1、2、3列交集构成的子矩阵”。这个视角帮你避开90%的索引错误。例如matlab的横坐标如何截断，需求是画图时只显示t∈[0,10]的部分。错误做法：plot(t(1:100),y(1:100))——假设采样率固定，但实际t可能非均匀。正确做法：idx = t>=0 & t<=10; plot(t(idx),y(idx))，idx是逻辑索引，返回与t同长的布尔向量，t(idx)自动提取满足条件的元素。逻辑索引的优势在于：它不依赖位置，只依赖条件，且天然支持多条件组合（&、|、~）。再如matlab数组+取出多列，A(:,[1,3,5])取第1、3、5列，A(:,1:2:end)取所有奇数列。但新手常犯的错是A([1,3,5],:)想取第1、3、5行，结果发现A只有4行——Matlab报错“索引超出范围”，而非静默返回部分结果。我的防御策略是：所有索引前先验证范围，rows_to_get = [1,3,5]; rows_to_get = rows_to_get(rows_to_get <= size(A,1));，用min/max函数兜底。

3.2 赋值：理解“=”不是覆盖，而是内存引用的重新绑定

在Matlab中，B = A不是复制数据，而是创建对同一内存块的引用。A = [1,2;3,4]; B = A; B(1,1) = 99;后，A(1,1)也变成99。这在大型数据处理中是性能优化（避免冗余拷贝），但也是bug温床。例如在迭代算法中，x_new = x_old; x_new = f(x_new);本意是更新x_new，但若f函数内部修改了x_new的字段（如结构体），x_old也会被改。解决方案有三：一是深拷贝B = A;仅对简单数值有效，对结构体需B = deepcopy(A);；二是明确赋值B = A(:,:);强制复制；三是函数式编程思维：x_new = f(x_old);，让f返回新对象而非修改输入。另一个经典陷阱是matlab movefile：movefile('old.txt','new.txt')成功后，'old.txt'文件消失，但若你在脚本中写了old_path = 'old.txt'; new_path = 'new.txt'; movefile(old_path,new_path);，后续再用old_path读文件会报错。这提醒我们：赋值操作改变的是变量指向，而非数据本身的存在性。建模中处理路径变量时，我习惯用fullfile构建绝对路径，并在movefile后立即clear old_path，切断变量引用。

3.3 运算符：点运算不是“小数点”，而是维度对齐的契约

A.*B与A*B的区别，教科书说“点乘是逐元素，星乘是矩阵乘”，但这只是表象。深层逻辑是：点运算要求操作数维度严格一致，星运算要求满足线性代数维度兼容规则。A是3×4矩阵，B是3×4矩阵，A.*B合法；A是3×4，B是4×5，A*B合法（结果3×5），但A.*B报错“矩阵维度不匹配”。这个规则在建模中无处不在。例如matlab醉汉随机游走模型，位置更新x = x + step*randn(1,N)，其中step是标量，randn(1,N)是1×N向量，+自动广播（Matlab R2016b起支持）。但若step是1×N向量，x是标量，x + step合法；若x是M×1向量，step是1×N向量，x + step生成M×N矩阵（广播结果）。广播是强大工具，但易引发维度爆炸。我的经验是：对所有向量运算，显式检查尺寸，size(x)和size(step)并排写，确认是否符合预期。对于matlab parfor按内核还是按逻辑处理器分配，parfor循环体内的变量若涉及广播运算，需确保每次迭代的输入尺寸一致，否则worker间数据传输开销剧增。

3.4 字符串与数值转换：建模中数据接口的隐形关卡

matlab中定义微分方程常用符号计算工具箱，syms y(t); Dy = diff(y); eqn = Dy == -2*y;，但若从Excel读入初始条件y0 = readmatrix('init.xlsx');，y0是数值，而dsolve要求符号输入。此时需y0_sym = sym(y0);。字符串转换更微妙：num2str(3.1415926)返回'3.1415926'，但str2double('3.1415926')返回双精度数，精度损失在所难免。matlab中1e100如何表示？直接写1e100即可，但若从文本文件读入'1e100'，str2double能正确解析，而sscanf('1e100','%f')可能因格式符限制失败。在matlab gdsii（集成电路版图数据）处理中，坐标常以科学计数法字符串存储，必须用str2double而非str2num（后者在遇到非法字符时返回NaN而非报错）。我的转换铁律：输入数据优先用readmatrix/readtable自动推断类型；手动转换时，用str2double处理数字字符串，用sym处理高精度符号计算，用categorical处理分类标签。对于ts map数据结构（时间序列映射），datetime类型比字符串更可靠，datetime('2023-01-01')可直接参与diff计算时间间隔。

3.5 函数调用：理解ttest与ttest2的本质差异，不只是参数个数

网络热词问“ttest和ttest2用法有何不同”，答案常是“ttest单样本，ttest2双样本”。这没错，但没触及核心。ttest的输入是单个向量x和假设均值mu，它计算x的样本均值与mu的差异是否显著；ttest2的输入是两个向量x和y，它计算x与y的均值差异是否显著。关键区别在于数据组织契约：ttest2要求x和y独立同分布，且默认方差不等（Welch's t-test），而ttest只关心单样本分布。建模中常见错误是：有两组实验数据groupA和groupB，想比较均值，却用ttest(groupA, groupB)——这是非法调用，Matlab报错“Too many input arguments”。正确是ttest2(groupA, groupB)。更隐蔽的坑是配对样本：若groupA和groupB是同一受试者前后测量（如用药前后血压），应使用ttest(groupA - groupB)计算差值向量的t检验，而非ttest2（它假设独立）。ttest2的选项'Vartype','equal'可强制等方差假设，但需先用vartest2检验方差齐性。我的建议：先画箱线图看分布，再选检验方法；所有t检验前，用isoutlier剔除异常值，避免均值失真。

4. 实操全流程：从零开始构建一个潮汐分潮拟合模型

4.1 数据准备：用表格统一管理，规避路径与格式陷阱

建模第一步不是写代码，是建立可复现的数据工作流。假设你有一年逐小时潮位数据tidal_data.csv，含time（时间戳）、height（水位，米）两列。不要直接load，用T = readtable('tidal_data.csv');。readtable自动识别列名、处理缺失值（标记为<missing>），且T.time是datetime类型，T.height是double。验证数据：summary(T)查看统计信息，ismissing(T.height)检查缺失值比例。若缺失率>5%，用T.height = fillmissing(T.height,'linear');线性插值。关键一步：添加派生列，T.hour = hour(T.time); T.day = day(T.time); T.month = month(T.time);，这些特征在后续分潮分析中用于分组。保存清洗后数据：writetable(T,'tidal_cleaned.mat','FileType','mat');用.mat格式保留数据类型，比.csv更可靠。注意matlab下载安装教程中常忽略的细节：若数据文件路径含中文或空格，readtable可能失败，解决方案是fullfile(pwd,'data','tidal_data.csv')构建绝对路径。

4.2 分潮基函数构建：矩阵运算的实战演练

潮汐分潮模型h(t) = sum(amp_i * cos(omega_i*t + phase_i))，需构造基函数矩阵Phi，其第i列为cos(omega_i*t)，第j列为sin(omega_j*t)。设主分潮周期：M2（12.42h）、S2（12h）、N2（12.66h）等，角频率omega = 2*pi/T。t_vec = T.time - T.time(1); % 转为秒数，t_sec = seconds(t_vec);。构建Phi：Phi = zeros(length(t_sec), 2*num_tides);，循环填充：for i=1:num_tides, Phi(:,2*i-1) = cos(omega(i)*t_sec); Phi(:,2*i) = sin(omega(i)*t_sec); end。这里Phi是N×2M矩阵，t_sec是N×1列向量，cos函数自动广播。验证：size(Phi)应为[length(T.height), 2*num_tides]。若num_tides=4，Phi为N×8。此步体现矩阵思维：Phi不是8个独立向量，而是一个整体运算载体，后续最小二乘求解amp = Phi \ T.height将一次性得到所有振幅和相位。

4.3 参数估计：用最小二乘求解，理解\运算的鲁棒性

amp = Phi \ T.height;这行代码是建模核心。\运算符在Matlab中实现多种算法：当Phi满秩时用QR分解，当病态时用SVD。相比inv(Phi'*Phi)*Phi'*T.height，\更稳定、更快。amp是2M×1列向量，前2项对应M2分潮的cos/sin系数，依此类推。提取振幅：amp_M2 = sqrt(amp(1)^2 + amp(2)^2); phase_M2 = atan2(-amp(2), amp(1));（注意atan2的参数顺序）。验证拟合效果：h_fit = Phi * amp;，RMSE = sqrt(mean((T.height - h_fit).^2));。若RMSE > 0.1（单位：米），说明模型不足，需增加分潮或考虑非线性项。此处h_fit是N×1向量，T.height也是N×1，.^2是点运算，mean沿第一维计算。关键技巧：用plot(T.time(1:100), T.height(1:100), 'b', T.time(1:100), h_fit(1:100), 'r--')画前100点对比图，直观判断拟合质量。

4.4 结果可视化：matlab plot 画rgb颜色与专业图表规范

plot函数默认蓝线，但潮汐图需区分实测与拟合。plot(T.time, T.height, 'b-', 'LineWidth',1.2); hold on; plot(T.time, h_fit, 'r--', 'LineWidth',1.5);。'b-'是蓝色实线，'r--'是红色虚线。matlab plot 画rgb颜色：plot(..., 'Color', [0.2 0.6 0.8]);指定RGB值（0-1范围）。专业图表需标注：xlabel('Time'); ylabel('Tidal Height (m)'); title('Tidal Prediction vs Observation'); legend('Observation','Prediction','Location','best');。legend的'Location','best'让Matlab自动选择最佳位置。导出高质量图：print('-dpdf','tidal_fit.pdf','-loose');-loose避免边距裁剪。matlab 2025 导出eps：print('-depsc2','tidal_fit.eps');EPS格式适合LaTeX插入。注意matlab在虚拟机上运行慢时，图形渲染是瓶颈，可关闭交互：set(gcf,'Visible','off');或用exportgraphics替代print。

4.5 模型封装：用函数模块化，为团队协作铺路

将上述流程封装为函数[amp, RMSE, h_fit] = tidal_fit(data_file, num_tides)。函数开头加文档：% TIDAL_FIT Fit tidal harmonics to observed data % Inputs: % data_file - string, path to CSV file with 'time' and 'height' columns % num_tides - integer, number of tidal constituents % Outputs: % amp - vector of amplitudes and phases % RMSE - root mean square error % h_fit - fitted tidal height vector。内部用nargin检查输入：if nargin < 2, num_tides = 4; end。这样调用tidal_fit('data.csv')用默认参数，tidal_fit('data.csv',6)指定6个分潮。函数末尾clear临时变量，避免内存泄漏。模块化最大价值是可测试性：写测试脚本test_tidal.m，生成模拟潮汐数据h_true = cos(omega_M2*t) + 0.5*sin(omega_S2*t) + randn(size(t))*0.01;，调用tidal_fit，验证amp是否接近[1,0,0.5,0]。这比手动调试快十倍。

5. 常见问题排查：那些让建模停摆的“小问题”实录

5.1 “Index exceeds matrix dimensions”：索引越界的10种触发场景与诊断树

这是Matlab最常见报错，但原因千差万别。我的诊断树如下：

1. 检查变量是否存在：whos列出所有变量，确认A被正确定义。若A未初始化，A(1,1)=1会创建1×1矩阵，但A(2,2)=2就报错。

2. 检查尺寸：size(A)，若A是1×100行向量，A(50,1)越界（第二维只有1列）。

3. 检查索引类型：idx = find(A>0.5); A(idx(100),:)—— 若find返回少于100个索引，idx(100)越界。

4. 检查循环边界：for i=1:length(A), A(i+1) = ...—— 当i=length(A)时，i+1越界。

5. 检查函数返回值：[U,S,V] = svd(A); U(:,1:5)—— 若A是3×3矩阵，U是3×3，U(:,1:5)越界。

6. 检查结构体字段：s.field1 = [1,2,3]; s.field2 = [4;5]; s.field1(1,5)越界（field1只有3列）。

7. 检查元胞内容：C{1} = [1,2;3,4]; C{1}(3,3)越界（C{1}是2×2）。

8. 检查字符串索引：str = 'hello'; str(10)越界（str长5）。

9. 检查日期向量：t = datetime('2023-01-01'):days(1):datetime('2023-01-10'); t(15)越界（t长10）。

10. 检查逻辑索引：idx = A>0.5; A(idx,1)—— 若idx全false，A([],1)返回空矩阵，不报错；但若后续size(A(idx,1),1)==0未处理，下游代码崩溃。

终极解决方案：在所有索引前加保护if i <= size(A,1) && j <= size(A,2), A(i,j) = ...; end，或用try-catch捕获并打印详细上下文。

5.2 “Matrix dimensions must agree”：维度不匹配的根源与修复策略

此错误直指运算符两侧维度不兼容。典型场景：

• A + B：A是3×4，B是3×5 → 解决：检查数据来源，B是否应为3×4？用size(B)确认。

• A * B：A是3×4，B是5×2 → 解决：矩阵乘法要求A列数等于B行数，此处4≠5，需转置B'或调整数据结构。

• A .* B：A是3×4，B是1×4 → 解决：B是行向量，A是3×4，广播规则允许，但若B是4×1列向量，则A .* B要求A为3×4，B为3×1，需B = B(:)转列。

• plot(x,y)：x是1×100，y是100×1 → 解决：plot(x(:),y(:))统一为列向量。

• ttest2(x,y)：x是1×50，y是1×60 → 解决：ttest2要求向量，但长度可不同，此错误通常因x或y是矩阵（如x = data(:,1)但data是100×1列向量，data(:,1)仍是100×1，合法）；若x是100×1，y是1×60，ttest2会报错，需y = y(:)。

快速修复法：用bsxfun(@plus,A,B)替代A+B，bsxfun显式处理广播，报错信息更清晰；Matlab R2016b后广播自动启用，但bsxfun仍可用于调试。

5.3 “Undefined function or variable”：变量作用域迷雾与调试技巧

此错误常因变量名拼写错误（ampvsamps）、函数未在路径中、或作用域问题。建模中高频场景：

• 脚本vs函数作用域：在脚本中定义A = [1,2;3,4];，然后调用函数myfunc(A)，函数内A可见；但若函数内定义B = A*2;，脚本中B不可见。解决方案：函数返回B，B = myfunc(A);。

• 循环内变量覆盖：for i=1:10, data = load(['file',num2str(i),'.mat']); end，循环结束data是最后一次加载的内容，前9次丢失。解决方案：用元胞数组data{i} = load(...);。

• 路径问题：addpath('my_toolbox')未执行，或.m文件名与函数名不一致（myfunc.m中函数声明function out = myfunc2(in)，调用myfunc2失败）。解决方案：which myfunc2检查路径，edit myfunc2打开文件确认。

• 大小写敏感：MATLAB是Windows，但Linux/Mac对文件名大小写敏感，MyFunc.m与myfunc.m是不同文件。

调试技巧：在报错行前加disp(['Variable A size: ', num2str(size(A))]);打印尺寸；用dbstop if error开启断点，错误时自动暂停，检查工作区变量。

5.4 “Out of memory”：大数据建模的内存管理实战清单

matlab r2022b error 9 错误常与此相关。建模中内存杀手：

• 未预分配数组：A = []; for i=1:N, A = [A; new_row]; end—— 每次[A; new_row]都创建新数组，内存碎片化。解决方案：A = zeros(N,M); for i=1:N, A(i,:) = new_row; end。

• 冗余副本：B = A; C = B;创建三个引用，但若A是1GB，内存占用不变；若C = A; C(1,1) = 99;，Matlab触发copy-on-write，C获得独立副本，内存翻倍。解决方案：用C = A(:,:);显式复制，或避免修改。

• 未清理变量：clear只清当前工作区，函数内变量自动清除，但脚本中需clear vars清理不用变量。

• 图形句柄累积：for i=1:100, plot(...); end创建100个图窗，内存暴涨。解决方案：figure('Visible','off');或clf;清空当前图。

• 大型数据加载：data = readmatrix('big_file.csv');加载整个文件。解决方案：data = readmatrix('big_file.csv','Range','A1:C10000');指定范围，或用datastore分块读取。

终极内存审计：memory命令查看内存状态；profile on; your_code; profile viewer分析内存热点；save -v7.3用HDF5格式压缩保存大变量。

5.5 “Warning: Matrix is singular”