MATLAB入门到精通（五）

专题五 数据分析与多项式计算

5.1 数据统计分析

求最大元素和最小元素

max（）：求向量或矩阵的最大元素

min（）：求向量或矩阵的最小元素

当参数为向量时，函数有两种调用格式：

1. y=max（X）：返回向量X的最大值存入y，如果X中包含复数元素，则按模取最大值。
2. [y,k]=max(X):返回向量X的最大值存入y，最大值元素的序号存入k，如果X中包含复数元素，则按模取最大值。

当参数为矩阵时，函数有三种调用格式：

1. max（A）：返回一个行向量，向量的第i个元素是矩阵A的第i列上的最大值
2. [Y,U]=max（A）：返回行向量Y和U，Y向量记录A的每列的最大值，U向量记录每列最大值元素的行号。
3. max[A,[],dim]：dim取1或2。dim取1时，该函数的功能和max（A）完全相同；dim取2时，该函数返回一个列向量，其第i个元素是A矩阵的第i行上的最大值。

求平均值与中值

1. mean（）：求算数平均值
2. median（）：求中值

求和与求积

1. sum（）：求和函数
2. prod（）：求积函数

累加和与累乘积

1. cumsum（）：累加和函数
2. cumprod（）：累乘积函数

求标准差与相关系数

std():计算标准差函数

调用格式：

1. std（X）：计算向量X的标准差
2. std（A）：计算矩阵A的各列的标准差
3. std（A，flag，dim）：flag取0或1，当flag=0，按S1所列公式计算样本标准差；当flag=1时，按S2所列公式计算总体标准差。标准情况下，flag=0，dim=1。dim=1时，按列计算，dim=时按行计算。

相关系数

corrcoef（）：相关系数函数

调用格式：

1. corrcoef（A）：返回由矩阵A所形成的一个相关系数矩阵，其中第i行第j列的元素表示原矩阵A中第i列和第j列的相关系数，由此说明相关系数矩阵是一个方阵。
2. corrcoef（X,Y）：在这里，X\Y是向量，他们与corrcoef（X,Y）的作用一样，用于求X\Y向量之间的系数。

排序

1. sort[X]：对向量X按升序排列

2. [Y,I]=sort（A，dim，mode）

   其中，dim指明对A的列还是行进行排序。mode指明按升序还是降序排序，若取“ascend”则按升序，若取“descend”则按降序，默认为升序。输出参数中，Y是排序后的矩阵，而I记录Y中的元素在A中的位置

5.2 多项式计算

多项式的表示

在MATLAB中，n次多项式用一个长度为n+1的行向量表示。

注意事项：

• 多项式系数向量的顺序是从高到低
• 多项式系数向量包含0次项系数，所以其长度为多项式最高次数加1
• 如果有的项没有，系数向量相应位置应用0补足

多项式的四则运算

1. 加减运算

   多项式加减运算十分简单，即相应向量相加减

2. 乘法运算

   conv（P1,P2）：多项式相乘函数

3. 除法运算

   [Q,r]=deconv(P1,P2):多项式相除函数

   其中，Q返回多项式P1除以P2的商式，r返回P1除以P2的余式，Q和r仍是多项式系数向量。

   deconv是conv的逆函数，因此有P1=conv（Q，P2）+r

多项式的求导

polyder（）：多项式求导函数

调用格式：

1. p=polyder（P）：求多项式P的导函数
2. p=polyder（P.Q）：求P*Q的导函数
3. [ ,q]=polyder（P,Q）：求P/Q的导函数，导函数的分子存入p，分母存入q

多项式的求值

1. polyval（p，x）：代数多项式求值

   p为多项式系数向量；x可以是标量、向量或矩阵。若x为标量，则求多项式在该点的值；若x为向量或矩阵，则对向量或矩阵中的每个元素求多项式的值

2. polyvalm（p，x）：矩阵多项式求值

   其调用格式与polyval相同，但含义不同。ployvalm函数要求x为方阵，以方阵为自变求多项式的值，相关运算计算的是矩阵运算。

多项式的求根

roots（p）：多项式求根函数

其中，p为多项式的系数向量

若已知多项式的全部根，则可以用poly函数建立起该多项式，其调用格式为：p=poly（x）

5.3 数据插值

数据插值可以根据有限个点的取值状况，合理估算出附近其他点的取值，从而节约大量的实验和测试资源，节省大量的人力、物力和财力。

从数学上来说，数据插值是一种函数逼近的方法。

interp1（）：一维插值函数

调用格式：Y1=interp1（X,Y,X1,method）

根据X、Y的值计算函数在X1处的值，其中X、Y是两个等长的已知向量，分别表示采样点和采样值。X1是一个向量或标量，表示要插值的点。

method参数用于指定插值的计算方法，常用的取值有以下四种：

1. linear：线性插值，默认方法。将与插值点靠近的两个数据点用直线连接，然后在直线上选取对应插值点的数据。
2. nearest：最近点插值，选择最近样本点的值作为插值数据
3. pchip：分段3此埃尔米特插值，采用分段三次多项式，除满足插值条件，还需满足在若干节点处相邻段插值函数的一阶导数相等，使得曲线光滑的同时，还具有保形性。
4. spline：3次样条插值。每个分段内构造一个三次多项式，使其插值函数除满足插值条件外，还要求在各节点处具有连续地一阶和二阶导数。

多项式次数并非越高越好，次数越高，越容易产生震荡而偏离原函数，这种现象称为龙格现象。

线性插值和最近点插值方法比较简单。其中线性插值方法的计算量与样本点n无关，n越大，误差越小。

3次埃尔米特插值和3次样本插值都能保证曲线的光滑性。相比较而言，3次埃尔米特插值具有保形性，而3次样条插值要求其二阶导数也连续，所以插值函数的性态更好。

intrep2（）：二维插值函数

调用格式：Z1=interp2（X,Y,Z,X1,Y1,method）

X、Y是两个向量，表示两个参数的采样点，Z是采样点对应的函数值。X1、Y1是两个标量或向量，表示要插值的点。

5.4 曲线拟合

如果数据插值中的数据在测量时没有得到准确值，那么这样得到的数据会有很大的误差。

与数据插值类似，曲线拟合也是一种函数逼近的方法，已知x上的x个采样点以及函数值y，构造函数去逼近未知函数，使得误差在某种意义下达到最小。

在曲线拟合中，用于实现曲线拟合实现方法是polyfit（），多项式拟合函数，这个函数的功能是求得最小二乘拟合多项式系数。

调用格式：

1. P=polyfit（X,Y,m）
2. [P,S]=polyfit（X,Y,m）
3. [P,S,mu]=polyfit（X,Y,m）

根据样本数据X和Y，产生一个m次多项式P及其在采样点误差数据S，mu是一个二元向量，mu（1）是meax（X），而mu（2）是std（X）

曲线拟合虽然功能强大，但是并不是适用于所有场景，对于一些敏感预测通常要采用多种预测方式。

5.5 数据插值与曲线拟合的比较

相同点：

1. 都属于函数逼近方法
2. 都能根据有限的样本数据去估算其他数据

不同点：

1. 在实现方法上，数据插值要求逼近函数经过样本点，而曲线拟合不要求逼近函数经过样本点，只要求总体误差最小
2. 数据插值通过分段逼近，没有整体的逼近函数，而曲线拟合有整体的函数表示式
3. 数据插值一般用于样本区间内的插值计算，而曲线拟合不仅可以估算区间内的其他点的函数值，还可以预测时序数据的发展趋势，以及从统计数据中总结一般性经验
4. 如果样本数据是精确数据，适合数据插值，如果为统计数据或存在误差，则适合用曲线拟合的方法