从零开始学MATLAB（五） 数据分析与多项值计算

从零开始学MATLAB（五）

数据分析与多项值计算

1.数据统计分析

（1）求矩阵的最大元素和最小元素：
max() min()
当参数为向量时，函数有两种调用格式：
①y=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：
①max(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。
③max(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。
（2）求矩阵的平均值（算术平均值）和中值
求算术平均值：mean() 求中值：median()
（3）求和与求积
求和函数：sum() 求积函数：prod()
累加和与累乘积：累加和函数：cumsum() 累乘积函数：cumprod()
（4）标准差与相关系数
①计算标准差函数：std()
调用格式： std(X):计算向量X的标准差
std(A):计算矩阵A的各列的标准差
std(A,flag,dim)：flag取0或1，取0时计算样本标准差，取1时计算总体标准差。dim取1表示按列计算，取2表示按行计算。默认情况下flag=0,dim=1。
②相关系数函数：corrcoef()：相关系数函数。
调用格式：
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。
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向量之间的相关系数。
（5）排序
排序函数：sort()
调用格式：sort(X):对向量X按升序排列
[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（“ascend”）还是降序(“descend”)，默认为升序。输出参数中，Y是排列后的矩阵，而I记录Y中的元素在A中的位置。

2.多项式计算

（1）多项式的表示
n次多项式用一个长度为n+1的行向量表示。[an,an-1,…,a1,a0]。
注：多项式系数向量的顺序是从高到低，且包含0次项系数，如果有的项没有，则相应位置用0补足。
（2）多项式的四则运算
①加减：相应向量加减
②乘法：conv(P1,P2),P1、P2是两个多项式系数向量。
③除法：[Q,r]=deconv(P1,P2)，其中Q为商式，r为余式，两者仍为向量。（deconv()是conv()的逆函数）
（3）多项式的求导：ployder()
①p=polyder§：求多项式P的导函数
②p=polyder(P,Q):求P×Q的导函数
③[p,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
（4）多项式的求值
①代数多项式求值：polyval(p,x)，p为多项式系数向量，X若为标量，则求多项式在该点的值，X若为向量或矩阵，则对向量或矩阵中的每个元素求多项式的值。
②矩阵多项式求值：polyvalm(p,x)
要求x为方阵，以方阵为自变量求多项式的值
（5）多项式求根：roots(p）
若已知多项式的全部根，则可以用poly函数建立起该多项式，调用格式为poly(x)

3.数据插值

根据有限个点的取值情况，合理估算出附近其他点的取值。
计算机制：从数学上来说，数据插值是一种函数逼近的方法
①一维插值函数：interp1()
调用格式：Y1=interp1(X,Y,X1,method)，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用于指定插值方法，主要分为以下四种：
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。
nearest:最近点插值。选择最近样本点的值作为插值数据。（若为中点则取后者）
pchip:分段3次埃尔米特插值。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。
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的一阶和二阶导数。
（多项式次数并非越高越好。次数越高，越容易产生振荡而偏离原函数，这种现象称为龙格（Runge）现象。）
比较：前两者比较简单，其中线性插值计算量与样本点n无关，n越大，误差越小。后两者都能保证曲线的光滑性，形态更好。
②二维插值函数：interp2()
调用格式：Z1=interp2(X,Y,Z,X1,Y1,method)
其中，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。

4.曲线拟合

（1）曲线拟合的原理：与数据插值类似，曲线拟合也是一种函数逼近的方法。构造g(x)去逼近未知函数f(x)，使得误差在某种意义下达到最小。最小二乘法是一种数学优化技术，它通过最小化误差的平方和来寻找数据的最佳函数匹配。
（2）实现方法：polyfit()
函数功能：求得最小二乘拟合多项式系数。
调用格式：
①P=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mean(X),而mu(2)是std(X).