matlab 趋势面分析 记录

已于 2023-05-31 21:38:00 修改
阅读量899 收藏 4
点赞数 1
文章标签： matlab 开发语言
于 2023-05-31 17:39:36 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/houhaha_/article/details/130972964
版权

1. 利用matlab进行趋势面分析并绘图

%% 方法1 仅二次趋势面模型

clc;clear;

num = xlsread("G:\Data\灾损曲线\趋势面分析-数据.xlsx",'B21:N37');

volume = num(:,1);

magnitude = num(:,3);

pop = num(:,8);

gdp = num(:,13);

% 绘制三维散点图

scatter3(volume, magnitude, gdp,'filled')

hold on;

% 估计模型，得到估计参数

v2 = volume.^2;

m2 = magnitude.^2;

vm = volume.*magnitude;

X = [ones(length(volume),1) volume magnitude v2 vm m2];

[b,bint,r,rint,stats] = regress(gdp,X,95);

% 生成格点经纬度，计算预测值

xfit = min(volume):0.1:max(volume);

yfit = min(magnitude):0.1:max(magnitude);

[XFIT,YFIT]= meshgrid (xfit,yfit);

ZFIT = b(1) + b(2) * XFIT + b(3) * YFIT + b(4) * XFIT.^2 + b(5) * XFIT .* YFIT + b(6) * YFIT.^2;

% 绘制拟合曲面

mesh(XFIT,YFIT,ZFIT);

clc;clear;
num = xlsread("G:\Data\灾损曲线\趋势面分析-数据.xlsx",'B21:N37');
volume = num(:,1);
magnitude = num(:,3);
pop = num(:,8);
gdp = num(:,13);

% 绘制三维散点图
scatter3(volume, magnitude, gdp,'filled')
hold on;
% 估计模型，得到估计参数
v2 = volume.^2;
m2 = magnitude.^2;
vm = volume.*magnitude;
X = [ones(length(volume),1) volume magnitude v2 vm m2];
[b,bint,r,rint,stats] = regress(gdp,X,95);
% 生成格点经纬度，计算预测值
xfit = min(volume):0.1:max(volume);
yfit = min(magnitude):0.1:max(magnitude);
[XFIT,YFIT]= meshgrid (xfit,yfit);
ZFIT = b(1) + b(2) * XFIT + b(3) * YFIT  + b(4) * XFIT.^2 + b(5) * XFIT .* YFIT + b(6) * YFIT.^2;
% 绘制拟合曲面
mesh(XFIT,YFIT,ZFIT);

%% 方法2  一次、二次及三次趋势面模型

% 文件信息读入

clc;clear;

num = xlsread("G:\Data\灾损曲线\趋势面分析-数据.xlsx",'B21:N37');

volume = num(:,1);

magnitude = num(:,3);

pop = num(:,8);

gdp = num(:,13);

opoX=num(:,1);

opoY=num(:,3);

oPH=num(:,13);

% oOM=info(:,4);

% oTN=info(:,5);

%{

% 2S法计算异常值

mPH=mean(oPH);

sPH=std(oPH);

num2=find(oPH>(mPH+2*sPH)|oPH<(mPH-2*sPH));

% 异常值剔除

PH=oPH;

for i=1:length(num2)

n=num2(i,1);

PH(n,:)=[0];

end

PH(all(PH==0,2),:)=[];

poX=opoX;

for i=1:length(num2)

n=num2(i,1);

poX(n,:)=[0];

end

poX(all(poX==0,2),:)=[];

poY=opoY;

for i=1:length(num2)

n=num2(i,1);

poY(n,:)=[0];

end

poY(all(poY==0,2),:)=[];

%}

cpoX = opoX;

cpoY = opoY;

cPH = oPH;

% 最小二乘法求解预处理

inva1=[ones(size(cpoX)),cpoX,cpoY]; %一次拟合求解

inva2=[ones(size(cpoX)),cpoX.^2,cpoY.^2,cpoX.*cpoY,cpoX,cpoY]; % 二次拟合求解

inva3=[ones(size(cpoX)),cpoX.^3,cpoY.^3,(cpoX.^2).*cpoY,cpoX.*(cpoY.^2),cpoX.^2,cpoY.^2,cpoX.*cpoY,cpoX,cpoY]; % 三次拟合求解

% 最小二乘法求解

[coef1,bint1,r1,rint1,stats1]=regress(cPH,inva1);

[coef2,bint2,r2,rint2,stats2]=regress(cPH,inva2);

[coef3,bint3,r3,rint3,stats3]=regress(cPH,inva3);

% 趋势面法效果图绘制准备

npoX=min(cpoX):0.1:max(cpoX);

npoY=min(cpoY):0.1:max(cpoY);

[mnpX,mnpY]=meshgrid(npoX,npoY);

% 趋势面法插值

pPH1=coef1(1,:)+coef1(2,:)*mnpX+coef1(3,:)*mnpY;

pPH2=coef2(1,:)+coef2(2,:)*mnpX.^2+coef2(3,:)*mnpY.^2+coef2(4,:)*mnpX.*mnpY+coef2(5,:)*mnpX+coef2(6,:)*mnpY;

pPH3=coef3(1,:)+coef3(2,:)*mnpX.^3+coef3(3,:)*mnpY.^3+coef3(4,:)*(mnpX.^2).*mnpY+coef3(5,:)*mnpX.*(mnpY.^2)+coef3(6,:)*mnpX.^2+coef3(7,:)*mnpY.^2+coef3(8,:)*mnpX.*mnpY+coef3(9,:)*mnpX+coef3(10,:)*mnpY;

% 趋势面法效果图绘制

figure();

subplot(1,3,1);

scatter3(cpoX,cpoY,cPH,'MarkerEdgeColor','k');

hold on;

mesh(mnpX,mnpY,pPH1);

colormap(jet);

colorbar;

xlabel('暴雨量（mm）'); % 为X轴加标签

ylabel('暴雨强度（mm/d）'); % 为Y轴加标签

zlabel('直接经济损失（亿元）'); % 为z轴加标签

title('一次趋势面模型');

subplot(1,3,2);

scatter3(cpoX,cpoY,cPH,'MarkerEdgeColor','k');

hold on;

mesh(mnpX,mnpY,pPH2);

colormap(jet);

colorbar;

xlabel('暴雨量（mm）'); % 为X轴加标签

ylabel('暴雨强度（mm/d）'); % 为Y轴加标签

zlabel('直接经济损失（亿元）'); % 为z轴加标签

title('二次趋势面模型');

subplot(1,3,3);

scatter3(cpoX,cpoY,cPH,'MarkerEdgeColor','k');

colormap(jet);

colorbar;

hold on;

mesh(mnpX,mnpY,pPH3);

colormap(jet);

colorbar;

xlabel('暴雨量（mm）'); % 为X轴加标签

ylabel('暴雨强度（mm/d）'); % 为Y轴加标签

zlabel('直接经济损失（亿元）'); % 为z轴加标签

title('三次趋势面模型');

clc;clear;
num = xlsread("G:\Data\灾损曲线\趋势面分析-数据.xlsx",'B21:N37');
volume = num(:,1);
magnitude = num(:,3);
pop = num(:,8);
gdp = num(:,13);

opoX=num(:,1);
opoY=num(:,3);
oPH=num(:,8);
% oOM=info(:,4);
% oTN=info(:,5);

%{
% 2S法计算异常值
mPH=mean(oPH);
sPH=std(oPH);
num2=find(oPH>(mPH+2*sPH)|oPH<(mPH-2*sPH));

% 异常值剔除
PH=oPH;
for i=1:length(num2)
    n=num2(i,1);
    PH(n,:)=[0];
end
PH(all(PH==0,2),:)=[];
poX=opoX;
for i=1:length(num2)
    n=num2(i,1);
    poX(n,:)=[0];
end
poX(all(poX==0,2),:)=[];
poY=opoY;
for i=1:length(num2)
    n=num2(i,1);
    poY(n,:)=[0];
end
poY(all(poY==0,2),:)=[];
%}

cpoX = opoX;
cpoY = opoY;
cPH = oPH;
% 最小二乘法求解预处理
inva1=[ones(size(cpoX)),cpoX,cpoY]; %一次拟合求解
inva2=[ones(size(cpoX)),cpoX.^2,cpoY.^2,cpoX.*cpoY,cpoX,cpoY]; % 二次拟合求解
inva3=[ones(size(cpoX)),cpoX.^3,cpoY.^3,(cpoX.^2).*cpoY,cpoX.*(cpoY.^2),cpoX.^2,cpoY.^2,cpoX.*cpoY,cpoX,cpoY]; % 三次拟合求解

% 最小二乘法求解
[coef1,bint1,r1,rint1,stats1]=regress(cPH,inva1);
[coef2,bint2,r2,rint2,stats2]=regress(cPH,inva2);
[coef3,bint3,r3,rint3,stats3]=regress(cPH,inva3);

% 趋势面法效果图绘制准备
npoX=min(cpoX):0.1:max(cpoX);
npoY=min(cpoY):0.1:max(cpoY);
[mnpX,mnpY]=meshgrid(npoX,npoY);

% 趋势面法插值
pPH1=coef1(1,:)+coef1(2,:)*mnpX+coef1(3,:)*mnpY;
pPH2=coef2(1,:)+coef2(2,:)*mnpX.^2+coef2(3,:)*mnpY.^2+coef2(4,:)*mnpX.*mnpY+coef2(5,:)*mnpX+coef2(6,:)*mnpY;
pPH3=coef3(1,:)+coef3(2,:)*mnpX.^3+coef3(3,:)*mnpY.^3+coef3(4,:)*(mnpX.^2).*mnpY+coef3(5,:)*mnpX.*(mnpY.^2)+coef3(6,:)*mnpX.^2+coef3(7,:)*mnpY.^2+coef3(8,:)*mnpX.*mnpY+coef3(9,:)*mnpX+coef3(10,:)*mnpY;

% 趋势面法效果图绘制
figure();
subplot(1,3,1);
scatter3(cpoX,cpoY,cPH,'MarkerEdgeColor','k');
hold on;
mesh(mnpX,mnpY,pPH1);
colormap(jet);
colorbar;
xlabel('暴雨量（mm）');  % 为X轴加标签
ylabel('暴雨强度（mm/d）');  % 为Y轴加标签
zlabel('受灾人口（万人）');  % 为z轴加标签
title('一次趋势面模型');

subplot(1,3,2);
scatter3(cpoX,cpoY,cPH,'MarkerEdgeColor','k');
hold on;
mesh(mnpX,mnpY,pPH2);
colormap(jet);
colorbar;
xlabel('暴雨量（mm）');  % 为X轴加标签
ylabel('暴雨强度（mm/d）');  % 为Y轴加标签
zlabel('受灾人口（万人）');  % 为z轴加标签
title('二次趋势面模型');

subplot(1,3,3);
scatter3(cpoX,cpoY,cPH,'MarkerEdgeColor','k');
colormap(jet);
colorbar;
hold on;
mesh(mnpX,mnpY,pPH3);
colormap(jet);
colorbar;
xlabel('暴雨量（mm）');  % 为X轴加标签
ylabel('暴雨强度（mm/d）');  % 为Y轴加标签
zlabel('受灾人口（万人）');  % 为z轴加标签
title('三次趋势面模型');

2. 三种模型精度检验

% 验证集筛选

PH = oPH;

poX = opoX;

poY = opoY;

very=[randperm(length(PH),floor(length(PH)*0.2))]';

% 验证集剔除

cPH=PH;

vPH=zeros(length(very),1);

vpoX=vPH;

vpoY=vPH;

for i=1:length(very)

m=very(i,1);

vPH(i,:)=cPH(m,:);

cPH(m,:)=[0];

end

cPH(all(cPH==0,2),:)=[];

cpoX=poX;

for i=1:length(very)

m=very(i,1);

vpoX(i,:)=cpoX(m,:);

cpoX(m,:)=[0];

end

cpoX(all(cpoX==0,2),:)=[];

cpoY=poY;

for i=1:length(very)

m=very(i,1);

vpoY(i,:)=cpoY(m,:);

cpoY(m,:)=[0];

end

cpoY(all(cpoY==0,2),:)=[];

% 趋势面法精度对比

vpPH1=coef1(1,:)+coef1(2,:)*vpoX+coef1(3,:)*vpoY;

MEERan1=mean(vPH-vpPH1);

MEERan11=mean(abs(vpPH1-vPH));

RMSEan1=sqrt(sum(vpPH1-vPH).^2/length(vPH));

COCOan1=corrcoef(vpPH1,vPH);

vpPH2=coef2(1,:)+coef2(2,:)*vpoX.^2+coef2(3,:)*vpoY.^2+coef2(4,:)*vpoX.*vpoY+coef2(5,:)*vpoX+coef2(6,:)*vpoY;

MEERan2=mean(vPH-vpPH2);

MEERan21=mean(abs(vpPH2-vPH));

RMSEan2=sqrt(sum(vpPH2-vPH).^2/length(vPH));

COCOan2=corrcoef(vpPH2,vPH);

vpPH3=coef3(1,:)+coef3(2,:)*vpoX.^3+coef3(3,:)*vpoY.^3+coef3(4,:)*(vpoX.^2).*vpoY+coef3(5,:)*vpoX.*(vpoY.^2)+coef3(6,:)*vpoX.^2+coef3(7,:)*vpoY.^2+coef3(8,:)*vpoX.*vpoY+coef3(9,:)*vpoX+coef3(10,:)*vpoY;

MEERan3=mean(vPH-vpPH3);

MEERan31=mean(abs(vpPH3-vPH));

RMSEan3=sqrt(sum(vpPH3-vPH).^2/length(vPH));

COCOan3=corrcoef(vpPH3,vPH);

% 验证集筛选
PH = oPH;
poX = opoX;
poY = opoY;
very=[randperm(length(PH),floor(length(PH)*0.2))]';
% 验证集剔除
cPH=PH;
vPH=zeros(length(very),1);
vpoX=vPH;
vpoY=vPH;
for i=1:length(very)
    m=very(i,1);
    vPH(i,:)=cPH(m,:);
    cPH(m,:)=[0];
end
cPH(all(cPH==0,2),:)=[];
cpoX=poX;
for i=1:length(very)
    m=very(i,1);
    vpoX(i,:)=cpoX(m,:);
    cpoX(m,:)=[0];
end
cpoX(all(cpoX==0,2),:)=[];
cpoY=poY;
for i=1:length(very)
    m=very(i,1);
    vpoY(i,:)=cpoY(m,:);
    cpoY(m,:)=[0];
end
cpoY(all(cpoY==0,2),:)=[];


% 趋势面法精度对比
vpPH1=coef1(1,:)+coef1(2,:)*vpoX+coef1(3,:)*vpoY;
MEERan1=mean(vPH-vpPH1);
MEERan11=mean(abs(vpPH1-vPH));
RMSEan1=sqrt(sum(vpPH1-vPH).^2/length(vPH));
COCOan1=corrcoef(vpPH1,vPH);
vpPH2=coef2(1,:)+coef2(2,:)*vpoX.^2+coef2(3,:)*vpoY.^2+coef2(4,:)*vpoX.*vpoY+coef2(5,:)*vpoX+coef2(6,:)*vpoY;
MEERan2=mean(vPH-vpPH2);
MEERan21=mean(abs(vpPH2-vPH));
RMSEan2=sqrt(sum(vpPH2-vPH).^2/length(vPH));
COCOan2=corrcoef(vpPH2,vPH);
vpPH3=coef3(1,:)+coef3(2,:)*vpoX.^3+coef3(3,:)*vpoY.^3+coef3(4,:)*(vpoX.^2).*vpoY+coef3(5,:)*vpoX.*(vpoY.^2)+coef3(6,:)*vpoX.^2+coef3(7,:)*vpoY.^2+coef3(8,:)*vpoX.*vpoY+coef3(9,:)*vpoX+coef3(10,:)*vpoY;
MEERan3=mean(vPH-vpPH3);
MEERan31=mean(abs(vpPH3-vPH));
RMSEan3=sqrt(sum(vpPH3-vPH).^2/length(vPH));
COCOan3=corrcoef(vpPH3,vPH);

3.  储存趋势面结果

% 趋势面法导出ASCII

save G:\Data\灾损曲线\liner_shp.txt pPH1 -ASCII;

save G:\Data\灾损曲线\Quadratic_shp.txt pPH2 -ASCII;

save G:\Data\灾损曲线\Cubic_shp.txt pPH3 -ASCII;

4. 结果记录

(1)直接经济损失拟合

RMSEan1=37.10  % 一次模型

MEERan11=21.5907

RMSEan2=34.80   % 二次模型

MEERan21=20.0930

RMSEan3=63.77    % 三次模型

MEERan31=36.8192

回归系数：

一次：coef1 = [-88.5130 2.1612 0.2825]

y = A+Bx+Cy

二次：coef2 = [2241.2  0.034084  1.7247  0.064554  -3.7023  -124.28]

y = A+Bx2+Cy2+Dxy+Ex+Fy

三次：coef3=[66267  -0.0042412  -1.8165  0.054876  0.18461  -1.16  185.76  -19.209  403.54  -6147.9]

y = A+Bx3+Cy3+Dx2y+Exy2+Fx2+Gy2+Hxy+Ix+Jy

 

（2）受灾人口拟合

RMSEan1=13.7724  % 一次模型

MEERan11=49.6338

RMSEan2=2.4228   % 二次模型

MEERan21=21.2086

RMSEan3=6.5534    % 三次模型

MEERan31=8.5753

回归系数：

一次：coef1 = [-74.208  2.6432  0.97359]

y = A+Bx+Cy

二次：coef2 = [1038  0.11192  1.1631  -0.44552  6.6042  -63.551]

y = A+Bx2+Cy2+Dxy+Ex+Fy

三次：coef3=[-32935  0.0021481  -0.77281  -0.11804  1.6544  3.98  20.577  -105.1  1650.5  1173.7]

y = A+Bx3+Cy3+Dx2y+Exy2+Fx2+Gy2+Hxy+Ix+Jy

 

（3）农作物受灾面积拟合

RMSEan1=15.2809  % 一次模型

MEERan11=14.2062

RMSEan2=13.5684   % 二次模型

MEERan21=7.8337

RMSEan3=6.5534    % 三次模型

MEERan31=3.8697

回归系数：

一次：coef1 = [-93.278  1.2344  1.9453]

y = A+Bx+Cy

二次：coef2 = [1842.9  0.028401  1.5173  -0.017423  -1.0754  -104.62]

y = A+Bx2+Cy2+Dxy+Ex+Fy

三次：coef3=[-20685  -0.0012011  0.24522  -0.012544  0.27819  0.66217  -35.113  -18.195  283.95  1525.8]

y = A+Bx3+Cy3+Dx2y+Exy2+Fx2+Gy2+Hxy+Ix+Jy

 

二次拟合模型最好

houhaha_
关注
  • 1
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
【趋势分析方法四】MATLAB实现线性趋势回归法
WW、forever的博客
02-24 988
线性趋势回归法简介及其MATLAB代码实现
matlab趋势面分析,如何使用R、matlab、arcgis进行趋势面分析
weixin_27310417的博客
03-17 1269
趋势面分析主要是用来研究变量在空间区域内的分布趋势。原理很简单，就是通过拟合模型z ~ f(x, y)( f(x, y)一般指x和y的多项表达式 )，模拟地理要素的空间分布规律。然后通过得到的拟合结果，获得空间内任意点的预测值(可以理解为空间插值)使用 ArcGis 分析ArcGis本身提供两种类型的趋势分析方法：「趋势分析」和「趋势面分析」。趋势分析趋势分析工具位置如图如果工具栏没有这个选项，则...
【Matlab学习手记】二次多项式曲面拟合
Taosy
09-14 4万+
二次多项式曲面公式 总共有6个系数。 绘制曲面图形时，一般给定x和y的取值（一维数组），然后对x和y网格化成二维数组X和Y，将X和Y代入公式，即可得到曲面的数值，最后用surf函数显示。 实例 给定一个二次多项式模型，然后成图 x = 0.1 : 0.1 : 5; y = 0.1 : 0.1 : 5; [X, Y] = meshgrid(x, y); ...
趋势面模型分析实例（python）
weixin_64338372的博客
03-28 1565
python 趋势面模型分析实例 已知五个气象站，这五个站围绕着未知的0号站。下图为各个站点的x、y坐标及及其已知值
matlab趋势分析法,趋势分析法案例.pdf
weixin_39719749的博客
03-17 733
趋势分析法案例2012 甘 肃 地 质 2012第 卷 第 期21 2 GANSU GEOLOGY Vol.21 No.2...
Arctic sea ice analysis:动态展示历年海冰地理变化。 分析研究海冰冰情的历史走向。-matlab开发
05-31
正因如此，21世纪以来，北冰洋海冰覆盖范围出现了显着变化，尤其是2012年9月的一次记录，海冰覆盖面积仅为340万平方千米，相较于1980年9月的780万平方千米，减少了440万平方千米。北极放大的关键原因是北极内部的正...
克里金插值代码(MATLAB)
05-18
总的来说，提供的MATLAB代码集成了完整的克里金插值流程，包括数据处理、协方差函数的选择、权重计算、插值以及结果分析。对于地理学家、环境科学家和其他在GIS领域工作的专业人士来说，这是一个非常有价值的资源，...
基于MATLAB回归分析在矿区通风粉尘排放预测中的研究.rar
09-29
《基于MATLAB回归分析在矿区通风粉尘排放预测中的研究》 在现代矿业活动中，矿井通风和粉尘排放问题是关系到安全生产和环境保护的重要课题。本文主要探讨了如何利用MATLAB这一强大的数学工具，进行回归分析，以实现...
基于MATLAB GUI编程的液体表面张力系数实验数据处理方法.zip
10-16
这种特性使得MATLAB GUI在数据处理和分析领域中广泛应用，尤其是在物理实验数据的处理上。 首先，液体表面张力系数是描述液体表面层分子间相互作用强度的物理量。在实验中，通常会通过一些测量方法（如悬挂法、环法...
利用matlab和excel进行光电效应测普朗克常量实验中的数据处理1-0.pdf
11-29
这个过程可以利用MATLAB和Excel这两种强大的数据分析工具来完成。下面将详细介绍如何运用这两个软件进行数据处理。 首先，我们需要理解光电效应的基本概念。光电效应是指当光照射到金属表面时，如果光的能量足够大...
趋势面分析
12-24
趋势面分析的实质是利用回归分析原理,运用最小二乘 法将离散变量拟合成一个光滑的数学曲面,用以表述因变量 与自变量之间的关系及变化趋势。趋势面有趋势部分和剩 余部分组成。趋势部分反映因变量与自变量之间关系在大 范围内的变化情况
tsa_趋势面_趋势面分析_
10-04
一次、二次、三次趋势面分析，带有实例数据，直接运行即可。
python 趋势面模型分析实例
山人青冥
12-22 2197
python 趋势面模型分析实例 已知五个气象站，这五个站围绕着未知的0号站带你。下图为各个站点的x、y坐标及及其已知值 第一行为0号点x，y坐标 z值未知暂设为0 而后依次为1，2，3，4，5号点xyz值 对未知点0进行插值。最小二乘法通常用于计算方程： 中的待定系数b0，b1，b2。因此。第一步是建立如下三个正规方程： 以上方程改写成如下矩阵： 将左边第一个逆矩阵与右边的矩阵相乘，计算...
基于MATLAB的全局多项式插值法（趋势面法）与逆距离加权（IDW）法插值与结果分析
疯狂学习GIS的博客
02-24 5272
基于MATLAB的全局多项式插值法（趋势面法）与逆距离加权（IDW）法插值与结果分析1 背景知识2 实际操作部分2.1 空间数据读取2.2 异常数据剔除2.3 验证集筛选2.4 最小二乘法求解2.5 逆距离加权法求解2.6 插值精度检验2.7 数据导出与专题地图制作3 结果呈现与分析3.1 全局多项式插值法二阶与三阶插值对比3.2 全局多项式插值法函数及其三维结果图3.3 全局多项式插值法专题地图绘制3.4 逆距离加权法插值结果及其三维结果图3.5 逆距离加权法专题地图绘制4 完整代码4.1 全局
Daniel趋势分析在matlab上的实现
06-12 6079
原理与计算步骤 数据集 某县1965-2013年年际气温数据，对其各时期进行Daniel趋势分析。 matlab代码 clc;clear; data=[18.484 18.664 18.280 18.498 17.995 18.117 18.154 18.388 18.619 18.243 18.401 17.742 18.236 18.377 1...
使用Matlab计算趋势
wise_sun的博客
03-09 3046
1.数据格式：n行数据保存在txt里面 2.命令行窗口输入：a=load（‘E/filepath/filename’） 3.取第列做计算：b=a(:,n) 4.命令行输入：cftool 5.结果： 其中p1为趋势，若需要±则由括号内两数相减得到。
Mann-Kendall突变检测(mk突变检测)
水滴石穿，绳锯木断
12-11 4万+
% Mann-Kendall突变检测 % 数据序列y % 结果序列UFk，UBk2 %-------------------------------------------- %读取excel中的数据，赋给矩阵y %获取y的样本数 %A为时间和径流数据列 A=xlswrite('数据.xls') x=A(:,1);%时间序列 y=A(:,2);%径流数据列 N=length(
趋势
qiezikuaichuan的专栏
09-07 354
什么情况？ 未来的方向是什么 未来会怎么走 A 人工智能方向   越来越高科技 B 机器学习，  机器人可以做更加多的事情 C 更加智能的算法 D 更加智能的社会 E 大数据里面挖掘出金子 F 是的，就是这样的，好的，开始学习吧。有兴趣啊 H 运维，前端，设计，产品，市场，推广，产品，开发。 I 一个好的产品，一定是非常智能的。是的，开始做吧。
matlab拟合函数的三种方法
热门推荐
Bily_on的博客
02-14 17万+
方法一：多项式拟合polyfit x=[1 2 3 4 5 6 7 8 9]; y=[9 7 6 3 -1 2 5 7 20]; P= polyfit(x, y, 3) %三阶多项式拟合 xi=0:.2:10; yi= polyval(P, xi); %求对应y值 plot(xi,yi,x,y,'r*'); 运行结果： 多项式系数：P =0.1481 -1.4030 ...
MATLAB画趋势图
最新发布
07-27
您可以使用MATLAB的plot函数来绘制趋势图。首先，确保您的数据已经准备好，然后按照以下步骤进行操作： 1. 创建一个包含横坐标数据的向量（x轴数据）和一个包含纵坐标数据的向量（y轴数据）。例如，假设您的横坐标是时间，纵坐标是某个变量的值，那么可以这样定义向量： ```matlab x = [1, 2, 3, 4, 5]; y = [10, 15, 20, 25, 30]; ``` 2. 使用plot函数绘制趋势图。将x和y作为参数传递给plot函数即可。例如： ```matlab plot(x, y); ``` 这将在新的图形窗口中显示趋势图。 3. 如果需要添加标题、横轴标签、纵轴标签等，可以使用title、xlabel和ylabel函数进行设置。例如： ```matlab title('Trend Chart'); xlabel('Time'); ylabel('Value'); ``` 运行以上代码后，图形窗口将显示带有标题和轴标签的趋势图。 请注意，这只是一个简单的示例，您可以根据自己的数据和需求进行适当的调整和修改。

“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

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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