当前位置：文档库 › MATLAB小波分析工具箱常用函数

MATLAB小波分析工具箱常用函数

matlab小波分析工具箱常用函数

1.Cwt :一维连续小波变换

格式：coefs=cwt(s,scales,'wavename')

coefs=cwt(s,scales,'wavename','plot')

scales:尺度向量，可以为离散值，表示为[a1,a2,a3……]，也可为连续值，表示为[amin:step:amax]

2.dwt:单尺度一维离散小波变换

格式：[ca,cd]=dwt(x,'wavename')

[ca,cd]=dwt(x,lo-d,hi-d)

先利用小波滤波器指令wfilters求取分解用低通滤波器lo-d和高通滤波器hi-d。

[lo-d,hi-d]=wfilters('haar','d');[ca,cd]=dwt(s,lo-d,hi-d)

3.idwt:单尺度一维离散小波逆变换

4.wfilters

格式：[lo-d,hi-d,lo-r,hi-r]=wfilters('wname')

[f1,f2]=wfilters('wname','type')

type=d(分解滤波器)、R(重构滤波器)、l(低通滤波器)、h(高通滤波器)

5.dwtmode 离散小波变换模式

格式：dwtmode

dwtmode('mode')

mode:zdp补零模式，sym对称延拓模式，spd平滑模式

6.wavedec多尺度一维小波分解

格式：[c,l]=wavedec(x,n,'wname')

[c,l]=wavedec(x,n,lo-d,hi-d)

7.appcoef 提取一维小波变换低频系数

格式：A=appcoef(c,l,'wavename',N)

A=appcoef(c,l,lo-d,hi-d,N) N是尺度，可省略

例：

load leleccum;

s=leleccum(1:2000)

subplot(421)

plot(s);

title('原始信号')

[c,l]=wavedec(s,3,'db1');

ca1=appcoef(c,l,'db1',1);

subplot(445)

plot(ca1);

ylabel('ca1');

ca2=appcoef(c,l,'db1',2);

subplot(4,8,17)

plot(ca2);

ylabel('ca2');

8.detcoef 提取一维小波变换高频系数

格式：d=detcoef(c,l,N),N尺度的高频系数

Matlab优化工具箱函数简介

Matlab优化工具箱函数简介一维搜索问题fminbnd 无约束极小值fminunc, fminsearch 约束极小值fmincon 线性规划linprog 二次规划quadprog 1．一维搜索问题优化工具箱函数fminbnd 对应问题：min f(x) x10表示计算收敛，exitflag=0表示超过了最大的迭代次数，exitflag<0表示计算不收敛，返回值output有3个分量，其中iterations是优化过程中迭代次数，funcCount是代入函数值的次数，algorithm是优化所采用的算法。例： clear fun='(x^5+x^3+x^2-1)/(exp(x^2)+sin(-x))' ezplot(fun,[-2,2])

(完整版)MATLAB常用函数大全

一、MATLAB常用的基本数学函数 abs(x)：纯量的绝对值或向量的长度 angle(z)：复数z的相角(Phase angle) sqrt(x)：开平方 real(z)：复数z的实部 imag(z)：复数z的虚部 conj(z)：复数z的共轭复数 round(x)：四舍五入至最近整数 fix(x)：无论正负，舍去小数至最近整数 floor(x)：地板函数，即舍去正小数至最近整数ceil(x)：天花板函数，即加入正小数至最近整数rat(x)：将实数x化为分数表示 rats(x)：将实数x化为多项分数展开 sign(x)：符号函数(Signum function)。当x<0时，sign(x)=-1；当x=0时，sign(x)=0; 当x>0时，sign(x)=1。 rem(x,y)：求x除以y的馀数 gcd(x,y)：整数x和y的最大公因数 lcm(x,y)：整数x和y的最小公倍数 exp(x)：自然指数 pow2(x)：2的指数 log(x)：以e为底的对数，即自然对数或 log2(x)：以2为底的对数 log10(x)：以10为底的对数二、MATLAB常用的三角函数 sin(x)：正弦函数 cos(x)：余弦函数

tan(x)：正切函数 asin(x)：反正弦函数 acos(x)：反馀弦函数 atan(x)：反正切函数 atan2(x,y)：四象限的反正切函数 sinh(x)：超越正弦函数 cosh(x)：超越馀弦函数 tanh(x)：超越正切函数 asinh(x)：反超越正弦函数 acosh(x)：反超越馀弦函数 atanh(x)：反超越正切函数三、适用於向量的常用函数有： min(x): 向量x的元素的最小值 max(x): 向量x的元素的最大值 mean(x): 向量x的元素的平均值 median(x): 向量x的元素的中位数 std(x): 向量x的元素的标准差 diff(x): 向量x的相邻元素的差 sort(x): 对向量x的元素进行排序（Sorting）length(x): 向量x的元素个数 norm(x): 向量x的欧氏（Euclidean）长度sum(x): 向量x的元素总和 prod(x): 向量x的元素总乘积 cumsum(x): 向量x的累计元素总和cumprod(x): 向量x的累计元素总乘积 dot(x, y): 向量x和y的内积 cross(x, y): 向量x和y的外积四、MATLAB的永久常数

matlab拟合工具箱的使用

matlab拟合工具箱使用 2011-06-17 12:53 1.打开CFTOOL工具箱。在Matlab 6.5以上的环境下，在左下方有一个"Start"按钮，如同Windows的开始菜单，点开它，在目录"Toolboxes"下有一个"Curve Fitting"，点开"Curve Fitting Tool"，出现数据拟合工具界面，基本上所有的数据拟合和回归分析都可以在这里进行。也可以在命令窗口中直接输入”cftool”，打开工具箱。 2.输入两组向量x，y。首先在Matlab的命令行输入两个向量，一个向量是你要的x坐标的各个数据，另外一个是你要的y坐标的各个数据。输入以后假定叫x向量和y向量，可以在workspace里面看见这两个向量，要确保这两个向量的元素数一致，如果不一致的话是不能在工具箱里面进行拟合的。例如在命令行里输入下列数据: x = [196,186, 137, 136, 122, 122, 71, 71, 70, 33]; y=[0.012605,0.013115,0.016866,0.014741,0.022353,0.019278,0.041803,0.0 38026,0.038128,0.088196]; 3.数据的选取。打开曲线拟合共工具界面，点击最左边的"Data..."按钮，出现一个Data对话框，在Data Sets页面里，在X Data选项中选取x向量，Y Data 选项中选取y向量，如果两个向量的元素数相同，那么Create data set按钮就激活了，此时点击它，生成一个数据组，显示在下方Data Sets列表框中。关闭Data对话框。此时Curve Fitting Tool窗口中显示出这一数据组的散点分布图。

matlab各种函数的用法

1 Text函数的用法：用法 text(x,y,'string')在图形中指定的位置(x,y)上显示字符串string text(x,y,z,'string') 在三维图形空间中的指定位置(x,y,z)上显示字符串string 2， plot([0,z1,z12],'-b','LineWidth',3)[ ]里面表示数组. 3, x,y均为矩阵，plot命令就是画出x，y矩阵对应的二维平面的点形成的曲线。y（：，1）中逗号前是行，逗号后是列，冒号表示从几到几。所以y（：，1）表示第一列的所有元素。如果是y(3:5,1)则表示第一列的第3到第5行对应的元素。只要你的y矩阵有100列，那你当然可以将1改成100。同理，x矩阵也可以这样。 4 sym的意思是symbol，就是后面括号里面是个代数式，要进行符号运算，class（）判断对象是什么类型。 5 matlab控制运算精度用的是digits和vpa这两个函数 xs = vpa(x,n) 在n位相对精度下，给出x的数值型符号结果xs xs = vpa(x) 在digits指定的精度下，给出x的数值型符号结果xs

digits用于规定运算精度，比如： digits(20); 这个语句就规定了运算精度是20位有效数字。但并不是规定了就可以使用，因为实际编程中，我们可能有些运算需要控制精度，而有些不需要控制。vpa就用于解决这个问题，凡是用需要控制精度的，我们都对运算表达式使用vpa函数。例如： digits(5); a=vpa(sqrt(2)); 这样a的值就是1.4142，而不是准确的1.4880 又如： digits(5); a=vpa(sqrt(2)); b=sqrt(2); 这样a的值是1.4142，b没有用vpa函数，所以b是1.4880...... 6

Matlab工具箱中地BP与RBF函数

Matlab工具箱中的BP与RBF函数 Matlab神经网络工具箱中的函数非常丰富，给网络设置合适的属性，可以加快网络的学习速度，缩短网络的学习进程。限于篇幅，仅对本章所用到的函数进行介绍，其它的函数及其用法请读者参考联机文档和帮助。 1 BP与RBF网络创建函数在Matlab工具箱中有如表1所示的创建网络的函数，作为示例，这里只介绍函数newff、newcf、newrb和newrbe。表 1 神经网络创建函数 (1) newff函数功能：创建一个前馈BP神经网络。调用格式：net = newff(PR,[S1 S2...S Nl],{TF1 TF2...TF Nl},BTF,BLF,PF) 参数说明： ?PR - R个输入的最小、最大值构成的R×2矩阵； ?S i–S NI层网络第i层的神经元个数； ?TF i - 第i层的传递函数，可以是任意可导函数，默认为'tansig'，

可设置为logsig，purelin等； ?BTF -反向传播网络训练函数，默认为'trainlm'，可设置为trainbfg，trainrp，traingd等； ?BLF -反向传播权值、阈值学习函数，默认为'learngdm'； ?PF -功能函数，默认为'mse'； (2) newcf函数功能：创建一个N层的层叠(cascade)BP网络调用格式：net = newcf(Pr,[S1 S2...SNl],{TF1 TF2...TFNl},BTF,BLF,PF) 参数同函数newff。 (3) newrb函数功能：创建一个径向基神经网络。径向基网络可以用来对一个函数进行逼近。newrb函数用来创建一个径向基网络，它可以是两参数网络，也可以是四参数网络。在网络的隐层添加神经元，直到网络满足指定的均方误差要求。调用格式：net = newrb(P,T,GOAL,SPREAD) 参数说明： ?P：Q个输入向量构成的R×Q矩阵； ?T：Q个期望输出向量构成的S×Q矩阵； ?GOAL：均方误差要求，默认为0。 ?SPREAD：分散度参数，默认值为1。SPREAD越大，网络逼近的函数越平滑，但SPREAD取值过大将导致在逼近变化比较剧烈的函

自动控制常见MATLAB函数的应用

自动控制常见MATLAB 函数的应用 1、在matlab 中采用roots 函数求解多项式的根，采用conv 函数实现多项式的积，相互连接的模块的模型求解也相当简单（1）、串联连接命令G=G1*G2（2）、并联连接命令G=G 1±G2（3）、反馈连接命令G=feedback （G1，G2，Sign ）（sign 用来表示系统是正反馈或负反馈，sign=-1为负反馈）例如：① 程序如下： >>p=[1304]; >>roots(p) ans = -3.3553 0.1777+1.0773i 0.1777-1.0773i ②、用matlab 实现：程序如下： >>p=[321];q=[14]; >>n=conv(p,q) n = 31494③、一个传递函数模型，可以由下面的命令输入：32()34p s s s =++2 ()(321)(4)n s s s s =+++325()345 s G s s s s +=+++

>>num=[15];den=[1345]; >>G=tf(num,den) Transfer function: s +5 --------------------- s^3+3s^2+4s +5 ④、如下图所示，前向传递函数为G （S ） ,反馈回路传递函数为H(S)，利用feedback 计算系统的闭环传递函数程序如下： >>numg=[1];deng=[50000]; >>numh=[11];denh=[12]; >>[num,den]=feedback(numg,deng,numb,denh,-1); >>[num,den]=feedback(numg,deng,numh,denh,-1); >>G=tf(num,den) () R S ???→

matlab遗传算法工具箱函数及实例讲解

matlab遗传算法工具箱函数及实例讲解最近研究了一下遗传算法，因为要用遗传算法来求解多元非线性模型。还好用遗传算法的工箱予以实现了，期间也遇到了许多问题。借此与大家分享一下。首先，我们要熟悉遗传算法的基本原理与运算流程。基本原理：遗传算法是一种典型的启发式算法，属于非数值算法范畴。它是模拟达尔文的自然选择学说和自然界的生物进化过程的一种计算模型。它是采用简单的编码技术来表示各种复杂的结构，并通过对一组编码表示进行简单的遗传操作和优胜劣汰的自然选择来指导学习和确定搜索的方向。遗传算法的操作对象是一群二进制串（称为染色体、个体），即种群，每一个染色体都对应问题的一个解。从初始种群出发，采用基于适应度函数的选择策略在当前种群中选择个体，使用杂交和变异来产生下一代种群。如此模仿生命的进化进行不断演化，直到满足期望的终止条件。运算流程： Step 1：对遗传算法的运行参数进行赋值。参数包括种群规模、变量个数、交叉概率、变异概率以及遗传运算的终止进化代数。 Step 2：建立区域描述器。根据轨道交通与常规公交运营协调模型的求解变量的约束条件，设置变量的取值范围。 Step 3：在Step 2的变量取值范围内，随机产生初始群体，代入适应度函数计算其适应度值。 Step 4：执行比例选择算子进行选择操作。 Step 5：按交叉概率对交叉算子执行交叉操作。 Step 6：按变异概率执行离散变异操作。 Step 7：计算Step 6得到局部最优解中每个个体的适应值，并执行最优个体保存策略。 Step 8：判断是否满足遗传运算的终止进化代数，不满足则返回Step 4，满足则输出运算结果。其次，运用遗传算法工具箱。运用基于Matlab的遗传算法工具箱非常方便，遗传算法工具箱里包括了我们需要的各种函数库。目前，基于Matlab的遗传算法工具箱也很多，比较流行的有英国设菲尔德大学开发的遗传算法工具箱GATBX、GAOT以及Math Works公司推出的GADS。实际上，GADS 就是大家所看到的Matlab中自带的工具箱。我在网上看到有问为什么遗传算法函数不能调用的问题，其实，主要就是因为用的工具箱不同。因为，有些人用的是GATBX带有的函数，但MATLAB自带的遗传算法工具箱是GADS，GADS当然没有GATBX里的函数，因此运行程序时会报错，当你用MATLAB来编写遗传算法代码时，要根据你所安装的工具箱来编写代码。

MATLAB模型预测控制工具箱函数..

MATLAB模型预测控制工具箱函数 8.2 系统模型建立与转换函数前面读者论坛了利用系统输入/输出数据进行系统模型辨识的有关函数及使用方法，为时行模型预测控制器的设计，需要对系统模型进行进一步的处理和转换。MATLAB的模型预测控制工具箱中提供了一系列函数完成多种模型转换和复杂系统模型的建立功能。在模型预测控制工具箱中使用了两种专用的系统模型格式，即MPC状态空间模型和MPC传递函数模型。这两种模型格式分别是状态空间模型和传递函数模型在模型预测控制工具箱中的特殊表达形式。这种模型格式化可以同时支持连续和离散系统模型的表达，在MPC传递函数模型中还增加了对纯时延的支持。表8-2列出了模型预测控制工具箱的模型建立与转换函数。表8-2 模型建立与转换函数 8.2.1 模型转换在MATLAB模型预测工具箱中支持多种系统模型格式。这些模型格式包括： ①通用状态空间模型； ②通用传递函数模型； ③MPC阶跃响应模型； ④MPC状态空间模型；

⑤ MPC 传递函数模型。在上述5种模型格式中，前两种模型格式是MATLAB 通用的模型格式，在其他控制类工具箱中，如控制系统工具箱、鲁棒控制工具等都予以支持；而后三种模型格式化则是模型预测控制工具箱特有的。其中，MPC 状态空间模型和MPC 传递函数模型是通用的状态空间模型和传递函数模型在模型预测控制工具箱中采用的增广格式。模型预测控制工具箱提供了若干函数，用于完成上述模型格式间的转换功能。下面对这些函数的用法加以介绍。 1．通用状态空间模型与MPC 状态空间模型之间的转换 MPC 状态空间模型在通用状态空间模型的基础上增加了对系统输入/输出扰动和采样周期的描述信息，函数ss2mod ()和mod2ss ()用于实现这两种模型格式之间的转换。 1）通用状态空间模型转换为MPC 状态空间模型函数ss2mod () 该函数的调用格式为 pmod= ss2mod (A,B,C,D) pmod = ss2mod (A,B,C,D,minfo) pmod = ss2mod (A,B,C,D,minfo,x0,u0,y0,f0) 式中，A, B, C, D 为通用状态空间矩阵； minfo 为构成MPC 状态空间模型的其他描述信息，为7个元素的向量，各元素分别定义为： ◆ minfo(1)=dt ，系统采样周期，默认值为1； ◆ minfo(2)=n ，系统阶次，默认值为系统矩阵A 的阶次； ◆ minfo(3)=nu ，受控输入的个数，默认值为系统输入的维数； ◆ minfo(4)=nd ，测量扰的数目，默认值为0； ◆ minfo(5)=nw ，未测量扰动的数目，默认值为0； ◆ minfo(6)=nym ，测量输出的数目，默认值系统输出的维数； ◆ minfo(7)=nyu ，未测量输出的数目，默认值为0；注：如果在输入参数中没有指定m i n f o ，则取默认值。 x0, u0, y0, f0为线性化条件，默认值均为0； pmod 为系统的MPC 状态空间模型格式。例8-5 将如下以传递函数表示的系统模型转换为MPC 状态空间模型。 1 2213)(232+++++=s s s s s s G 解：MATLAB 命令如下：

MATLAB优化工具箱应用简介

MATLAB优化工具箱 1 工具箱概述 1.1 功能（1）求解无约束条件非线性极小值；（2）求解约束条件下非线性极小值，包括目标逼近问题、极大-极小值问题和半无限极小值问题；（3）求解二次规划和线性规划问题；（4）非线性最小二乘逼近和曲线拟合；（5）非线性系统的方程求解；（6）约束条件下的线性最小二乘优化；（7）求解复杂结构的大规模优化问题。 1.2 工具箱的新特色 MATLAB R2008b使用的是4.1版本的优化工具箱，较3.x的变化在于：（1）fmincon、fminimax和fgoalattain中引入了并行机制，加快梯度计算速度；（2）函数gatool和pserchtool整合到优化工具箱GUI中；（3）函数fmincon的求解器中新增内点算法；（4）提供了KNITRO优化库的接口；（5）函数lsqcurvefit、lsqnonlin和fsolve的优化选项参数PrecondBandWinth默认值由0变为inf；（6）优化选项参数TolConSQP的默认值改为1e-6；（7）输出结构中引入了参数constrviolation。 2 工具箱函数常用函数：输入参数中可以用options，用于所有函数，其中包括有一下参数。（1）Display：结果显示方式，off不显示，iter显示每次迭代的信息，final为最终结果，notify只有当求解不收敛的时候才显示结果。（2）MaxFunEvals：允许函数计算的最大次数，取值为正整数。（3）MaxIter：允许迭代的最大次数，正整数。（4）TolFun：函数值（计算结果）精度，正整数。（5）TolX：自变量的精度，正整数。而且可以用函数optimset创建和修改。模型输入时需要注意问题：（1）目标函数最小化；

Matlab各工具箱功能简介(部分)

Ｔoolbox工具箱序号工具箱备注一、数学、统计与优化 1 Symbolic Math Toolbox 符号数学工具箱 Symbolic Math Toolbox?提供用于求解和推演符号运算表达式以及执行可变精度算术的函数。您可以通过分析执行微分、积分、化简、转换以及方程求解。另外，还可以利用符号运算表达式为MATLAB?、Simulink?和Simscape?生成代码。 Symbolic Math Toolbox 包含MuPAD?语言，并已针对符号运算表达式的处理和执行进行优化。该工具箱备有MuPAD 函数库，其中包括普通数学领域的微积分和线性代数，以及专业领域的数论和组合论。此外，还可以使用MuPAD 语言编写自定义的符号函数和符号库。MuPAD 记事本支持使用嵌入式文本、图形和数学排版格式来记录符号运算推导。您可以采用HTML 或PDF 的格式分享带注释的推导。 2 Partial Differential Euqation Toolbox 偏微分方程工具箱偏微分方程工具箱?提供了用于在2D，3D求解偏微分方程（PDE）以及一次使用有限元分析。它可以让你指定和网格二维和三维几何形状和制定边界条件和公式。你能解决静态，时域，频域和特征值问题在几何领域。功能进行后处理和绘图效果使您能够直观地探索解决方案。你可以用偏微分方程工具箱，以解决从标准问题，如扩散，传热学，结构力学，静电，静磁学，和AC电源电磁学，以及自定义，偏微分方程的耦合系统偏微分方程。 3 Statistics Toolbox 统计学工具箱

4 Curve Fitting Toolbox 曲线拟合工具箱 Curve Fitting Toolbox?提供了用于拟合曲线和曲面数据的应用程序和函数。使用该工具箱可以执行探索性数据分析，预处理和后处理数据，比较候选模型，删除偏值。您可以使用随带的线性和非线性模型库进行回归分析，也可以指定您自行定义的方程式。该库提供了优化的解算参数和起始条件，以提高拟合质量。该工具箱还提供非参数建模方法，比如样条、插值和平滑。在创建一个拟合之后，您可以运用多种后处理方法进行绘图、插值和外推，估计置信区间，计算积分和导数。 5 Optimization Toolbox 优化工具箱 Optimization Toolbox?提供了寻找最小化或最大化目标并同时满足限制条件的函数。工具箱中包括了线性规划、混合整型线性规划、二次规划、非线性优化、非线性最小二乘的求解器。您可以使用这些求解器寻找连续与离散优化问题的解决方案、执行折衷分析、以及将优化的方法结合到其算法和应用程序中。 6 Global Optimization Toolbox 全局优化工具箱 Global Optimization Toolbox 所提供的方法可为包含多个极大值或极小值的问题搜索全局解。它包含全局搜索、多初始点、模式搜索、遗传算法和模拟退火求解器。对于目标

MATLAB工具箱函数

表Ⅰ-11 线性模型函数函数描述 anova1 单因子方差分析 anova2 双因子方差分析 anovan 多因子方差分析 aoctool 协方差分析交互工具 dummyvar 拟变量编码 friedman Friedman检验 glmfit 一般线性模型拟合 kruskalwallis Kruskalwallis检验 leverage 中心化杠杆值 lscov 已知协方差矩阵的最小二乘估计manova1 单因素多元方差分析manovacluster 多元聚类并用冰柱图表示multcompare 多元比较多项式评价及误差区间估计 polyfit 最小二乘多项式拟合 polyval 多项式函数的预测值 polyconf 残差个案次序图 regress 多元线性回归 regstats 回归统计量诊断续表函数描述 Ridge 岭回归 rstool 多维响应面可视化 robustfit 稳健回归模型拟合 stepwise 逐步回归 x2fx 用于设计矩阵的因子设置矩阵表Ⅰ-12 非线性回归函数函数描述 nlinfit 非线性最小二乘数据拟合（牛顿法）nlintool 非线性模型拟合的交互式图形工具nlparci 参数的置信区间 nlpredci 预测值的置信区间 nnls 非负最小二乘表Ⅰ-13 试验设计函数函数描述 cordexch D-优化设计（列交换算法）daugment 递增D-优化设计 dcovary 固定协方差的D-优化设计ff2n 二水平完全析因设计 fracfact 二水平部分析因设计 fullfact 混合水平的完全析因设计hadamard Hadamard矩阵（正交数组）rowexch D-优化设计（行交换算法）表Ⅰ-14 主成分分析函数函数描述 barttest Barttest检验 pcacov 源于协方差矩阵的主成分pcares 源于主成分的方差 princomp 根据原始数据进行主成分分析表Ⅰ-15 多元统计函数函数描述 classify 聚类分析 mahal 马氏距离 manova1 单因素多元方差分析manovacluster 多元聚类分析表Ⅰ-16 假设检验函数函数描述 ranksum 秩和检验 signrank 符号秩检验 signtest 符号检验 ttest 单样本t检验 ttest2 双样本t检验 ztest z检验表Ⅰ-17 分布检验函数函数描述 jbtest 正态性的Jarque-Bera检验kstest 单样本Kolmogorov-Smirnov检验kstest2 双样本Kolmogorov-Smirnov检验lillietest 正态性的Lilliefors检验表Ⅰ-18 非参数函数函数描述 friedman Friedman检验 kruskalwallis Kruskalwallis检验ranksum 秩和检验 signrank 符号秩检验 signtest 符号检验

Matlab的常用函数及指令简单介绍

摘要本文从计算机语言、数学建模、网络控制系统仿真与结构化思维等方面阐述了半年来学习Matlab的心得体会与感想。由于个人知识有限在部分细节问题的理解上可能存有偏差还请老师批评指正不吝赐教。关键词Matlab语言数学建模软件网络控制系统仿真结构化思维 - 1 - 学习Matlab快半个学期了虽然还有很多问题不是很清楚但通过实践学习我对于Matlab总算有个整体的理解而且每次上机操作都会有一定的收获和感想下面就谈谈我个人对于Matlab的一些看法。 Matlab语言 Matlab和其它语言不一样我这个学期学习的是C语言另外对于Action Script、HTML、php语言也接触过一些。C语言主要是面向过程的它的灵活性比较强可根据自己的意图编辑程序但所耗费的时间和精力比较大。例如定义变量就分为int、float、char等类型十分麻烦而Action Script与php就显得比较随意不必纠结于哪一种类型的变量比如定义Var number3Var playtrue即可。相对于前两者而言Matlab则显得更为灵活与快捷它是一门解释性语言能自动将高级语言翻译成机器语言。比如求tf2当t012345时tf的值。如果使用C语言则需要定义变量调用math函数还要应用for循环、输出函数而Matlab则不然只需输入t0:5f2.t然后回车即可。另外Matlab还配有许多常用公式操作起来十分方便例如想求出223tftftytyty在10y10y时的零输入响应应用dsolve 函数只需输入xdsolveD2y3Dy2y0y01Dy01 回车即得结果x3exp-t-2exp-2t。或许也正是Matlab语言简洁、优化的特点才使得它在学术界被广泛应用吧。数学建模对于数学建模而言Matlab是一款相当不错的建模辅助工具因为Matlab中有统计函数线性分析函数插值函数非线性分析函数等等这些数模必备的函数而且Matlab强大的绘图功能可使很多数学演算过程变得可视化。这些对于分析问题都很有帮助。虽然我们学习的Matlab是电子信息工程方向的但在下个学期班里的大部分同学都要参加数模竞赛

Matlab神经网络工具箱函数.

MATLAB 神经网络工具箱函数说明:本文档中所列出的函数适用于 MATLAB5.3以上版本, 为了简明起见, 只列出了函数名, 若需要进一步的说明,请参阅 MATLAB 的帮助文档。 1. 网络创建函数 newp 创建感知器网络 newlind 设计一线性层 newlin 创建一线性层 newff 创建一前馈 BP 网络 newcf 创建一多层前馈 BP 网络 newfftd 创建一前馈输入延迟 BP 网络 newrb 设计一径向基网络 newrbe 设计一严格的径向基网络 newgrnn 设计一广义回归神经网络 newpnn 设计一概率神经网络 newc 创建一竞争层 newsom 创建一自组织特征映射 newhop 创建一 Hopfield 递归网络 newelm 创建一 Elman 递归网络 2. 网络应用函数

sim 仿真一个神经网络 init 初始化一个神经网络 adapt 神经网络的自适应化 train 训练一个神经网络 3. 权函数 dotprod 权函数的点积 ddotprod 权函数点积的导数 dist Euclidean 距离权函数normprod 规范点积权函数negdist Negative 距离权函数mandist Manhattan 距离权函数linkdist Link 距离权函数 4. 网络输入函数 netsum 网络输入函数的求和dnetsum 网络输入函数求和的导数5. 传递函数 hardlim 硬限幅传递函数hardlims 对称硬限幅传递函数purelin 线性传递函数

tansig 正切 S 型传递函数 logsig 对数 S 型传递函数 dpurelin 线性传递函数的导数 dtansig 正切 S 型传递函数的导数dlogsig 对数 S 型传递函数的导数compet 竞争传递函数 radbas 径向基传递函数 satlins 对称饱和线性传递函数 6. 初始化函数 initlay 层与层之间的网络初始化函数initwb 阈值与权值的初始化函数initzero 零权/阈值的初始化函数 initnw Nguyen_Widrow层的初始化函数initcon Conscience 阈值的初始化函数midpoint 中点权值初始化函数 7. 性能分析函数 mae 均值绝对误差性能分析函数 mse 均方差性能分析函数 msereg 均方差 w/reg性能分析函数

MATLAB常用工具箱及常用函数

常用工具箱 MATLAB包括拥有数百个内部函数的主包和三十几种工具包。工具包又可以分为功能性工具包和学科工具包。功能工具包用来扩充MATLAB的符号计算，可视化建模仿真，文字处理及实时控制等功能。学科工具包是专业性比较强的工具包，控制工具包，信号处理工具包，通信工具包等都属于此类。开放性使MATLAB广受用户欢迎。除内部函数外，所有MATLAB主包文件和各种工具包都是可读可修改的文件，用户通过对源程序的修改或加入自己编写程序构造新的专用工具包。 Matlab Main Toolbox——matlab主工具箱 Control System Toolbox——控制系统工具箱 Communication Toolbox——通讯工具箱 Financial Toolbox——财政金融工具箱 System Identification Toolbox——系统辨识工具箱 Fuzzy Logic Toolbox——模糊逻辑工具箱 Higher-Order Spectral Analysis Toolbox——高阶谱分析工具箱 Image Processing Toolbox——图象处理工具箱 computer vision system toolbox----计算机视觉工具箱 LMI Control Toolbox——线性矩阵不等式工具箱 Model predictive Control Toolbox——模型预测控制工具箱 μ-Analysis and Synthesis Toolbox——μ分析工具箱 Neural Network Toolbox——神经网络工具箱

Optimization Toolbox——优化工具箱 Partial Differential Toolbox——偏微分方程工具箱Robust Control Toolbox——鲁棒控制工具箱 Signal Processing Toolbox——信号处理工具箱 Spline Toolbox——样条工具箱 Statistics Toolbox——统计工具箱 Symbolic Math Toolbox——符号数学工具箱 Simulink Toolbox——动态仿真工具箱 Wavele Toolbox——小波工具箱 DSP system toolbox-----DSP处理工具箱常用函数 Matlab内部常数[2] eps：浮点相对精度 exp：自然对数的底数e i 或j：基本虚数单位 inf 或Inf：无限大，例如1/0 nan或NaN：非数值（Not a number），例如0/0 pi：圆周率p（= 3.1415926...） realmax：系统所能表示的最大数值 realmin：系统所能表示的最小数值 nargin: 函数的输入引数个数

MatLab常用函数大全

1、求组合数 C，则输入：求k n nchoosek(n,k) 例：nchoosek(4,2) = 6. 2、求阶乘求n!.则输入： Factorial(n). 例：factorial(5) = 120. 3、求全排列 perms(x). 例：求x = [1,2,3]; Perms(x)，输出结果为： ans = 3 2 1 3 1 2 2 3 1 2 1 3 1 2 3 1 3 2 4、求指数求a^b：Power(a,b) ; 例：求2^3 ; Ans = pow(2,3) ; 5、求行列式求矩阵A的行列式：det(A); 例：A=[1 2;3 4] ; 则det(A) = -2 ; 6、求矩阵的转置求矩阵A的转置矩阵：A’ 转置符号为单引号. 7、求向量的指数求向量p=[1 2 3 4]'的三次方：p.^3 例： p=[1 2 3 4]' A=[p,p.^2,p.^3,p.^4] 结果为：

注意：在p 与符号”^”之间的”.”不可少. 8、求自然对数求ln(x)：Log(x) 例：log(2) = 0.6931 9、求矩阵的逆矩阵求矩阵A 的逆矩阵：inv(A) 例：a= [1 2;3 4]; 则 10、多项式的乘法运算函数conv(p1,p2)用于求多项式p1和p2的乘积。这里，p1、p2是两个多项式系数向量。例2-2 求多项式43810x x +-和223x x -+的乘积。命令如下： p1=[1,8,0,0,-10]; p2=[2,-1,3]; c=conv(p1,p2) 11、多项式除法函数[q ，r]=deconv(p1，p2)用于多项式p1和p2作除法运算，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。这里，q 和r 仍是多项式系数向量。例2-3 求多项式43810x x +-除以多项式223x x -+的结果。命令如下： p1=[1,8,0,0,-10]; p2=[2,-1,3]; [q,r]=deconv(p1,p2) 12、求一个向量的最大值求一个向量x 的最大值的函数有两种调用格式，分别是：

matlab优化工具箱的使用

优化工具箱的使用 MATLAB的优化工具箱提供了各种优化函数，这些优化函数可以通过在命令行输入相应的函数名加以调用；此外为了使用方便，MATLAB还提供了图形界面的优化工具（GUI Optimization tool）。 1 GUI优化工具 1.1 GUI优化工具的启动有两种启动方法：（1）在命令行输入optimtool；（2）在MATLAB主界面单击左下角的“Start”按钮，然后依次选择“Toolboxes→Optimization→Optimization tool” 1.2 GUI优化工具的界面界面分为三大块：左边（Problem Setup and Results）为优化问题的描述及计算结果显示；中间（Options）为优化选项的设置；右边（Quick Reference）为帮助。为了界面的简洁，可以单击右上角“<<”、“>>”的按钮将帮助隐藏或显示。 1、优化问题的描述及计算结果显示此板块主要包括选择求解器、目标函数描述、约束条件描述等部分。选择合适的求解器以及恰当的优化算法，是进行优化问题求解的首要工作。 ?Solver：选择优化问题的种类，每类优化问题对应不同的求解函数。 ?Algorithm：选择算法，对于不同的求解函数，可用的算法也不同。 Problem框组用于描述优化问题，包括以下内容： ?Objective function: 输入目标函数。 ?Derivatives: 选择目标函数微分（或梯度）的计算方式。 ?Start point: 初始点。 Constraints框组用于描述约束条件，包括以下内容： ?Linear inequalities: 线性不等式约束，其中A为约束系数矩阵，b代表约束向量。 ?Linear equalities: 线性等式约束，其中Aeq为约束系数矩阵，beq代表约束向量。 ?Bounds: 自变量上下界约束。 ?Nonlinear Constraints function; 非线性约束函数。 ?Derivatives: 非线性约束函数的微分（或梯度）的计算方式。 Run solver and view results框组用于显示求解过程和结果。（对于不同的优化问题类型，此板块可能会不同，这是因为各个求解函数需要的参数个数不一样，如Fminunc 函数就没有Constraints框组。）