MATLAB
文章平均质量分 85
MATLAB
~青萍之末~
弱者总有弱者的理由
展开
-
MATLAB图形用户界面
一、从最简单的开始 编程的基本思想是:我执行一个操作,程序做出一个反应。“一个操作”包括点击鼠标、拖动滑块、填写数据、选择选项等;“做出一个反应”包括计算、储存在哪里、贴个图出来、显示在哪里。 简言之:当点击按钮A时, 然后执行任务C,则进入按钮A的回调函数callback里,写下任务C的代码。几个基本概念: CallBack: 最常用的。点击按钮原创 2017-09-02 17:23:06 · 1537 阅读 · 0 评论 -
MATLAB图形句柄
(一)图形对象及其句柄一、图形对象 MATLAB图形对象包括: MATLAB每一个具体图形一定包括计算机屏幕和图形窗口两个对象。1、定义 MATLAB在创建每一个图形对象时,都会给该对象分配一个唯一确定的值,称其为图形对象句柄。 PS:(1)计算机屏幕句柄默认为0。 (2)图形窗口对象的句柄值为一正整数转载 2017-09-02 16:53:21 · 30657 阅读 · 2 评论 -
MATLAB知识小结
MatLab 知识小结matlab常用到的永久变量。ans:计算结果的默认变量名。i j:基本虚数单位。eps:系统的浮点(F10a9Bg个oht):inf: 无限大,例1/0nan NaN:非数值(Not a number)pi:圆周率n(n=3.1415926..)。realmax:系统所能表示的最大数值。realmin: 系统所能表示的最小数值,转载 2017-08-23 17:12:00 · 2019 阅读 · 0 评论 -
MATLAB概率统计
一、产生随机变量%% 二项分布随机数据产生n1=10:10:60;a1=binornd(n1,1./n1);b1=binornd(n1,1./n1,1,6);%一行六列c1=binornd([n1;n1],[1./n1;1./n1],2,6);%两行六列%% 正态分布随机数据产生a2=normrnd(0,1,1,5);%标准正态分布,一行五列b2=normrnd([1 2 3;4原创 2017-08-23 16:44:14 · 4983 阅读 · 3 评论 -
MATLAB符号数学计算
一、符号对象和符号表达式close all;clear all;clc;%% 符号对象的创建syms x y z;%符号变量a=sym(2/3,'f');%符号常量b=2*y^2+y-1;%符号表达式c=[1 2+y 2;2+z 1 1+y];%符号矩阵%% 运算符和函数syms a b c d e f g h;a2=[a b;c d];b2=[e f;g h];c2=a2原创 2017-08-17 10:37:45 · 2813 阅读 · 0 评论 -
Matlab中几个数值积分函数的比较和优缺点
一、Z = trapz(X,Y,dim)梯形数值积分,通过已知参数x,y按dim维使用梯形公式进行积分例1 计算int(sin(x),0,pi)%by dynamic%all rights reserved by www.matlabsky.com>>x=0:pi/100:2*pi;>>y=sin(x);>>z=trapz(x,y)%或者说使用z = pi/100*转载 2017-06-29 12:42:50 · 6155 阅读 · 0 评论 -
MATLAB回归、插值、逼近、拟合总结
一、回归、插值、逼近、拟合的区别1、回归一般指线性回归,是求最小二乘解的过程。在求回归前,已经假设所有型值点同时满足某一曲线方程,计算只要求出该方程的系数2、多项式插值:用一个多项式来近似代替数据列表函数,并要求多项式通过列表函数中给定的数据点。(插值曲线要经过型值点。)3、多项式逼近:为复杂函数寻找近似替代多项式函数,其误差在某种度量意义下最小。(逼近只要求曲线接近型值点,符合型值点转载 2017-06-29 11:11:58 · 34634 阅读 · 7 评论 -
MATLAB数据分析
一、数据分析基础close all;clear all;clc;%% 最大值,最小值,中位值a=magic(3);b=[1 4 5;2 8 5;3 6 9];v=[1 5 8 4 6 9 2 10 5 7];v1=max(v);%求最大值a1=max(a);%以列为顺序求每列上的最大值,结果为行向量a2=max(a,[],2);%以行为顺序求每行上的最大值,结果为列向量b1原创 2017-06-29 10:12:20 · 2713 阅读 · 0 评论 -
MATLAB矩阵分析
一、矩阵的基础知识close all;clear all;clc;%% 改变矩阵尺寸a=eye(3);a(2,4)=3;%添加第四列,第二行元素为3,其余为0a(:,4)=3;%添加第四列,元素都是3a(2,:)=[];%删除第二行a(:,2)=[];%删除第二列b=a(1:end);%将矩阵变为行向量,以列为顺序,end表示最后一个元素%% 改变矩阵形状a=magi原创 2017-06-29 09:54:17 · 1325 阅读 · 0 评论 -
MATLAB绘图函数总结
MATLAB不但擅长於矩阵相关的数值运算,也适合用在各种科学目视表示(Scientific visualization)。本节将介绍MATLAB基本xy平面及xyz空间的各项绘图命令,包含一维曲线及二维曲面的绘制、列印及存档。plot是绘制一维曲线的基本函数,但在使用此函数之前,我们需先定义曲线上每一点的x及y座标。下例可画出一条正弦曲线:close all; x=linspace(0,转载 2017-06-29 09:42:32 · 1812 阅读 · 1 评论 -
MATLAB读取mat数据并绘图
close all; clear all;clc; m=load('a.mat');//a是一个结构体类型的mat数据n=load('b.mat');y = m.pr_cruve(:,1);//pr_cruve是结构体a中的矩阵部分的数据,获取第一列的数据作为纵坐标x = m.pr_cruve(:,2);//获取第二列的数据作为纵坐标Y = n.pr_cruve(:,1);X原创 2017-05-08 15:21:13 · 69813 阅读 · 9 评论 -
MATLAB使用中的一些问题1
一·、MATLAB中使用工具箱1、解压下载好的工具箱2、将文件添加到MATLAB安装文件的toolbox中3、进入MATLAB界面,点击设置路径,点击add with subfolders,找到toolbox中刚添加的文件夹,点击保存和退出4、用help命令查看是否安装成功二、MATLAB函数命名我们在命名MATLAB函数名时一定要注意不要和系统函数(比如plot等)、工具原创 2016-12-03 16:28:53 · 963 阅读 · 0 评论 -
MATLAB图像的基本处理
1、图像文件读写和显示close all;clear all;clc;I=imread('ee','jpeg');%图像文件的读写B=rgb2gray(I);%图像文件转换figure(1);%画图subplot(2,2,1);imshow(B,[60,120]);%图像文件的显示并指定灰度值的范围subplot(2,2,2);image([50 300],[50原创 2016-12-03 15:52:59 · 1208 阅读 · 0 评论 -
MATLAB图形可视化
close all;clear all;clc;x=0:0.1:10;y1=sin(2*x);y2=2*sin(x);plot(x,y1,'b*-',x,y2,'r+:');%定义颜色,顶点,线型axis([0,pi,0,2]);%定义坐标轴范围title('正弦曲线');%标题xlabel('时间/单位:秒');%设置x轴和y轴标题ylabel('电压/单原创 2016-12-03 15:48:14 · 914 阅读 · 0 评论 -
MATLAB控制语句
close all;clear all;clc;A=[1,2,3;4,5,6];sum=0;for m=1:2%for循环 for n=1:3 sum=sum+A(m,n); endendi=1;k=0;while(i k=k+i; i=i+1;endB=magic(5);a=B(1);f原创 2016-12-03 15:46:50 · 1139 阅读 · 0 评论 -
MATLAB基本数据类型
close all;clear all;clc;%整型数据的一些操作a=round(3.4);%四舍五入取值b=fix(-1.9);%舍去小数部分c=floor(3.4);%小于该数且离其最近的数d=ceil(-1.9);%大于该数且离其最近的数e=123;f=single(e);%转换为单精度%字符串的一些操作s1='muahdahd';s2='s原创 2016-12-03 15:42:30 · 1857 阅读 · 0 评论 -
基于PCA的人脸识别流程
人脸识别技术是基于人的脸部特征,对输入的人脸图象或者视频流 . 首先判断其是否存在人脸 , 如果存在人脸,则进一步的给出每个脸的位置、大小和各个主要面部器官的位置信息。并依据这些信息,进一步提取每个人脸中所蕴涵的身份特征,并将其与已知的人脸进行对比,从而识别每个人脸的身份。人脸图像一般用二维矩阵表示,在有大量图片的情况下,维数很高,直接计算则耗时较长,效率极低。因此进行降维处理则会大大提高效率和准原创 2016-12-03 15:06:32 · 4763 阅读 · 1 评论 -
PCA算法原理(讲解非常清楚)
PCA(Principal Component Analysis)是一种常用的数据分析方法。PCA通过线性变换将原始数据变换为一组各维度线性无关的表示,可用于提取数据的主要特征分量,常用于高维数据的降维。网上关于PCA的文章有很多,但是大多数只描述了PCA的分析过程,而没有讲述其中的原理。这篇文章的目的是介绍PCA的基本数学原理,帮助读者了解PCA的工作机制是什么。当然我并不打算把文章写成转载 2016-12-03 15:01:11 · 53778 阅读 · 24 评论