MATLAB 数据分析与多项式计算

最新推荐文章于 2023-10-28 23:01:21 发布

渡己

最新推荐文章于 2023-10-28 23:01:21 发布

阅读量1k

点赞数 3

分类专栏： MATLAB 学习文章标签： MATLAB 数据分析多项式计算曲线拟合数值插入

本文链接：https://blog.csdn.net/qq_15656071/article/details/88945952

版权

MATLAB 学习专栏收录该内容

2 篇文章 0 订阅

订阅专栏

Matlab中的数据分析与多项式计算

更新时间：2019·04·01
更新内容：

数据统计分析

函数	函数使用	描述	备注
Max	[y,k]=Max(a)/Max(A)	取向量a或矩阵A的最大元素y为序号k对应的值	如果元素为复数则按模取最大值
Min	[y,k]=Min(a)/Max(A)	取向量a或矩阵A的最小元素y为序号k对应的值
mean	mean(A)	矩阵的平均值
median	median(A)	矩阵的中值	数据个数为偶数时，等于中间两元数的平均值；为奇数时，为中间元素值
sum	sum(a)	向量元素的和
prod	prod(a)	向量元素的积
cusum	cusum()	累加和函数
cumprod	cumprod()	累乘积函数
std	std(X)	向量X的标准差
	std(A)	矩阵各列的标准差
	std(A,flag,dim)	flag定义标准差的计算公式	默认flag=0，dim=1
corrcoef	corrcoef(A)	返回矩阵A的相关系数矩阵
	corrcoef(X,Y)	返回向量X与向量Y的相关系数	与corrcoef([X,Y])一样
sort	sort(X)	向量X按升序排列
	[Y,I]=sort(A,dim,mode)	矩阵向量排序	mode指定升序或降序，dim指定按行或按列

示例

%生成10x5的随机矩阵服从正态度分布

>> A = randn(10,5)
A =
   -0.3031    0.9492   -0.8757    1.2347   -0.9480
    0.0230    0.3071   -0.4838   -0.2296   -0.7411
    0.0513    0.1352   -0.7120   -1.5062   -0.5078
    0.8261    0.5152   -1.1742   -0.4446   -0.3206
    1.5270    0.2614   -0.1922   -0.1559    0.0125
    0.4669   -0.9415   -0.2741    0.2761   -3.0292
   -0.2097   -0.1623    1.5301   -0.2612   -0.4570
    0.6252   -0.1461   -0.2490    0.4434    1.2424
    0.1832   -0.5320   -1.0642    0.3919   -1.0667
   -1.0298    1.6821    1.6035   -1.2507    0.9337

%各列元素的均值

>> mean_A = mean(A)  
mean_A =
    0.2160    0.2068   -0.1892   -0.1502   -0.4882

%矩阵A的最大元素

>> Max_A = max(max(A))  
Max_A =
    1.6821

%矩阵A的最小元素

>> Min_A = min(min(A)) 
Min_A =
   -3.0292

%矩阵A的行元素和

>> sum_A_2 = sum(A') 
sum_A_2 =
    0.0571   -1.1244   -2.5395   -0.5981    1.4527   -3.5018    0.4398    1.9160   -2.0878    1.9388

%矩阵A的所有元素之和

>> sum_A = sum(A(:)) %矩阵A的所有元素之和
sum_A =
   -4.0472

%矩阵按列升序排列

>> sort_A = sort(A) 
sort_A =
   -1.0298   -0.9415   -1.1742   -1.5062   -3.0292
   -0.3031   -0.5320   -1.0642   -1.2507   -1.0667
   -0.2097   -0.1623   -0.8757   -0.4446   -0.9480
    0.0230   -0.1461   -0.7120   -0.2612   -0.7411
    0.0513    0.1352   -0.4838   -0.2296   -0.5078
    0.1832    0.2614   -0.2741   -0.1559   -0.4570
    0.4669    0.3071   -0.2490    0.2761   -0.3206
    0.6252    0.5152   -0.1922    0.3919    0.0125
    0.8261    0.9492    1.5301    0.4434    0.9337
    1.5270    1.6821    1.6035    1.2347    1.2424

%矩阵按行降序排列

>> sort_A_2 = sort(A,2,'descend') 
sort_A_2 =
    1.2347    0.9492   -0.3031   -0.8757   -0.9480
    0.3071    0.0230   -0.2296   -0.4838   -0.7411
    0.1352    0.0513   -0.5078   -0.7120   -1.5062
    0.8261    0.5152   -0.3206   -0.4446   -1.1742
    1.5270    0.2614    0.0125   -0.1559   -0.1922
    0.4669    0.2761   -0.2741   -0.9415   -3.0292
    1.5301   -0.1623   -0.2097   -0.2612   -0.4570
    1.2424    0.6252    0.4434   -0.1461   -0.2490
    0.3919    0.1832   -0.5320   -1.0642   -1.0667
    1.6821    1.6035    0.9337   -1.0298   -1.2507

多项式计算

函数	函数使用	描述	备注
conv	conv(P1,P2)	多项式相乘
deconv	[Q,r]=deconv(P1,P2)	多项式相除,Q为商式，r为余式	P1=conv(Q,P2)+r
polyder	p=polyder(P1)	多项式P1的导函数
	p=polyder(P,Q)	求P x Q的导函数
	[p,q]=polyder(P,Q)	P/Q的导函数，分子存入p，分母存入q
polyval	polyval(p,x)	代数多项式求值，p为系数向量，x可以为标量，向量，矩阵	元素在多项式的取值
polyvalm	polyvalm(p,x)	矩阵多项式求值	如上，但要求x为方阵
roots	roots(P1)	多项式P1求根

示例

% 生成多项式

>> f=[3,-5,0,-7,5,6]; 
>>g=[3,5,-3]; 
>>g1=[0,0,0,g];

% 多项式求和

>> f+g1
ans =
     3    -5     0    -4    10     3

% 多项式求差

>> f-g1
ans =
     3    -5     0   -10     0     9

% 多项式求积

>> conv(f,g)
ans =
     9     0   -34    -6   -20    64    15   -18

% 多项式求商和余式

>> [Q,r]=deconv(f,g)
Q =
   1.0000   -3.3333    6.5556  -16.5926
r =
        0         0         0         0  107.6296  -43.7778

% 反过来验证

>> conv(g,Q)+r
ans =
    3.0000   -5.0000         0   -7.0000    5.0000    6.0000

数值插入

函数	函数使用	描述	备注
interp1	interp1(X,Y,X1,method)	一维插值函数	method为插入方式，如linear线性插入

曲线拟合

函数	函数使用	描述	备注
polyfit	P=polyfit(X,Y,m)	最小二乘拟合多项式系数	m表示多项式次数
	[P,S]=polyfit(X,Y,m)	最小二乘拟合多项式系数	S表示采样点误差
	[P,S,mu]=polyfit(X,Y,m)	最小二乘拟合多项式系数	mu(1)指定mean(X)，mu(2)指定std(X)