期刊论文图片代码复现【由图片还原代码】(Origin&Matlab)

💥 💥 💞 💞 欢迎来到本博客 ❤️ ❤️ 💥 💥


🏆 博主优势: 🌞 🌞 🌞博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。


座右铭:行百里者,半于九十。

📋 📋 📋 本文目录如下: 🎁 🎁 🎁
目录
💥1 概述
📚2 复刻步骤
2.1 步骤1

2.2 步骤2
2.3 步骤3
2.4 步骤4
2.5 步骤5

2.6 步骤6
2.7 步骤7
2.8 步骤8
2.9 步骤9
🎉3 参考文献

💥1 概述

经常在论文中,需要用到图片的数据,然后方便可视化研究。不知道小伙伴们怎么解决的,今天介绍一种方法,希望帮到大家一丢丢。

📚2 复刻步骤

2.1 步骤1

进入图像数字化工具界面。打开软件后,点击菜单栏-工具-图像数字化工具,进入如下图所示界面。

2.2 步骤2

导入图像。导入图像可以从文件导入,也可以从剪贴板导入,最简单的就是从剪贴板导入了。开了QQ的情况下,Alt+A直接截屏就可以。截屏之后点击上图的红色框那个快捷按钮就可以粘贴进来,进入如图所示界面。

2.3 步骤3

定义坐标轴。点击下图的红色小方框(右边小图),进入定义轴的界面。这里面有X1,X2,Y1,Y2,它们和左边图中的四条线是相对应的。每一条线有一个像素点,还有一个坐标值,我们可以用鼠标去移动这些线,移动到明显知道具体刻度的地方,然后输入刻度到坐标值处。

比如说,对于X1,我们把线条移动到0,然后输入坐标值也是0。然后依次对X2,Y1,Y2进行类似的操作设置,结果如图所示。

2.4 步骤4

点击手动取点,可以在‘图像数字化’下找到,也可以找到快捷键。然后就是一个一个去双击取点了,花了好几分钟才完成了一个粗采,如下图所示。这个方法费时费力,下面还有几种选择。

2.5 步骤5

2.6 步骤6

把得到的数据拿来画图,如下图所示,总体趋势没问题,但是纵坐标不对,下面一步,我们解决纵坐标问题。

2.7 步骤7

原图和oringin比例修正。顺便在润色。

2.8 步骤8

光电、火电和上面步骤一样,运行如下:

2.9 步骤9

在步骤4中补充一点知识,除了手动取点,还可以用下面两种方法:

1)使用‘逐点自动追踪曲线’功能。点击进入之后,任意双击曲线上的点,就可以自动追踪到许多点,我只是双击了一个点,就追踪到了整条曲线。

2)还可以利用‘网格自动取点’。点击之后直接拉一个框就行了,很容易就找到了这么多点。网格密度也是可以定义的。

🎉3 参考文献

部分理论来源于网络,如有侵权请联系删除。

  • 0
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
差分进化算法(Differential Evolution,DE)是一种优化算法,用于解决连续优化问题。差分进化算法的一个变种是差分进化JADE算法(JADE,Jittered Adaptive Differential Evolution),它在收敛性能方面优于其他经典或自适应DE算法。 以下是一个用Matlab复现差分进化JADE算法的示例代码: ```matlab function [bestSolution, bestFitness] = JADE(fitnessFunc, dim, bounds, maxGenerations, populationSize, CR, F) % 初始化种群 population = initializePopulation(populationSize, dim, bounds); % 计算初始种群的适应度 fitness = evaluatePopulation(fitnessFunc, population); % 初始化最佳解和最佳适应度 [bestFitness, bestIndex] = min(fitness); bestSolution = population(bestIndex, :); % 迭代更新种群 for generation = 1:maxGenerations % 生成新的个体 newPopulation = zeros(populationSize, dim); for i = 1:populationSize % 选择三个不同的个体作为参考向量 r = randperm(populationSize, 3); % 生成新的个体 mutant = population(r(1), :) + F * (population(r(2), :) - population(r(3), :)); % 交叉操作 crossoverMask = rand(1, dim) < CR; trial = population(i, :); trial(crossoverMask) = mutant(crossoverMask); % 选择操作 trialFitness = fitnessFunc(trial); if trialFitness < fitness(i) newPopulation(i, :) = trial; fitness(i) = trialFitness; % 更新最佳解和最佳适应度 if trialFitness < bestFitness bestFitness = trialFitness; bestSolution = trial; end else newPopulation(i, :) = population(i, :); end end % 更新种群 population = newPopulation; end end function population = initializePopulation(populationSize, dim, bounds) population = rand(populationSize, dim) .* (bounds(:, 2) - bounds(:, 1)) + bounds(:, 1); end function fitness = evaluatePopulation(fitnessFunc, population) populationSize = size(population, 1); fitness = zeros(populationSize, 1); for i = 1:populationSize fitness(i) = fitnessFunc(population(i, :)); end end ``` 使用该代码,你需要提供以下参数: - `fitnessFunc`:适应度函数,用于评估个体的适应度。 - `dim`:问题的维度。 - `bounds`:问题的边界,一个dim×2的矩阵,每一行表示一个维度的上下界。 - `maxGenerations`:最大迭代次数。 - `populationSize`:种群大小。 - `CR`:交叉概率。 - `F`:缩放因子。 该代码会返回最佳解和最佳适应度。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值