Matlab 学习(1)---向量

Matlab 学习(1)(适合初学者)–matlab中的向量

matlab 中的向量创建

  • 直接法
    向量元素需要用英文的中括号“[]”括起来元素之间用空格、逗号、分号或按回车键分隔,就可以创建对应的向量。
    若元素之间用空格、逗号分隔,则创建的是行向量;若用分号、回车键分隔,则创建的是列向量。

  • 冒号法
    A:step:B创建一个行向量(英文格式)
    注:A是初始值,B是终止值,step是步长。
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

  • 利用matlab函数创建
    linspace函数:创建等差数列
    logspace函数:创建等比数列
    1.linspace
    linspace(a,b):该命令用来创建一个行向量,向量中的第一个元素为a,最后一个元素为b,形成总数为100个元素的线性间隔的向量。
    在这里插入图片描述
    linspace (a, b, n):该命令用来创建一个行向量,向量中的第一个元素为a,最后一个元素为b,形成总数为n个元素的线性间隔的向量。
    在这里插入图片描述
    2.logspace
    logspace(a,b):创建一个行向量,其第一个元素为 1 0 a 10^a 10a,最后一个元素为 1 0 b 10^b 10b,形成总数为50个元素的等比数列向量。
    在这里插入图片描述

logspace(a, b, n):创建一个行向量,其第一个元素为 1 0 a 10^a 10a,最后一个元素为 1 0 b 10^b 10b,形成总数为n个元素的等比数列向量。
在这里插入图片描述

向量元素的引用

我们知道,向量分为行向量和列向量,它们在 MATLAB中只有一个维度,因此我们可以利用向量中包含的元素个数来描述一个向量的大小。在MATLAB中,可以使用length函数或numel函数来计算向量中包含的元素个数
在这里插入图片描述

单个元素引用

a(ind):(a沿用上面的a)ind是所要提取对应元素的索引。
在这里插入图片描述
在这里插入图片描述

多个元素引用

可以利用向量的索引来同时提取多个位置的元素,这时候只需要将ind设置成一个向量ind中放入我们想要提取的元素的索引,然后使用a(ind)命令即可。熟悉的话可以直接写成**a([ ])**形式
在这里插入图片描述
用end索引
end可以用来替代向量的最后一个索引。
在这里插入图片描述

向量元素的修改和删除

利用 等号赋值 的方法对引用位置的元素进行修改和删除。
在这里插入图片描述

                       matlab学习系列为学习笔记
  • 2
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
使用Matlab实现CNN-SVM卷积支持向量机分类预测的步骤如下: 1. 数据准备:首先,需要准备训练和测试数据集。这些数据集应包含已标记的样本图像和对应的分类标签。 2. 卷积神经网络(CNN)训练:使用Matlab的深度学习工具箱,可以构建和训练卷积神经网络。首先,定义网络架构,包括卷积层、池化层、全连接层等,并设置相应的超参数(如学习率、批处理大小等)。然后,使用训练数据集对网络进行训练,通过反向传播算法优化网络权重。重复训练过程直到达到预设的准确率或迭代次数。 3. 特征提取:在训练完成后,使用训练好的CNN模型提取图像的特征表示。通过将图像输入到CNN,获取卷积层或全连接层的输出作为特征向量。 4. 支持向量机(SVM)训练:使用Matlab的SVM工具箱,将CNN提取的特征向量作为输入数据,对SVM进行训练。在训练过程,选择合适的核函数(如线性核、高斯核等),并设置相应的超参数(如正则化参数、惩罚项等)。训练过程将优化支持向量机模型的权重和偏置。 5. 分类预测:使用训练好的CNN-SVM模型进行分类预测。首先,将测试样本输入到CNN,提取特征向量。然后,将特征向量作为输入数据,通过训练好的SVM模型进行分类预测。根据SVM模型返回的分类结果,确定图像的类别。 综上所述,借助Matlab的深度学习和机器学习工具箱,可以实现CNN-SVM卷积支持向量机分类预测。通过训练卷积神经网络和支持向量机模型,提取图像特征并进行分类预测。这种组合方法可以充分利用卷积神经网络在图像识别任务的优势,并借助支持向量机的分类能力,提高分类预测的准确性。

“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
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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