MATLAB及其应用第讲培训讲义.pptVIP

* 一、随机数据的统计描述 1.描述数据“位置”和“散度”的矩特征 一阶矩：mean, median, geomean 二阶矩：std, var, range 2.如何获得数据的分布模式？ 频数直方图 [N, xxn]=hist(X, nxn)---计算或绘制样本X的频数直方图 [TN, R]=rose(theta, nth)---计算或绘制样本theta的频数扇形图 * 例： * 3.几种典型的分布函数 泊松分布： R=poissrnd(Lambda,m,n) 正态分布：R=normrnd(Mu,Sigma,m,n) ?2分布：R=chi2rnd(V,m,n) 注意：初始化 ? rand(‘state’,kk) ? randn(‘seed’,kk) ? rand(‘seed’,kk) * 二、多项式拟合 原理：给定一组数据{(xi,yi),i=1,2,...,N},采用多项式模型对数 据进行描述（f(a,x)=a1xn+a2xn-1+...+anx+an+1），求多项式参数 a1, a2,..., an, an+1,使得下列?2量最小。 Matlab实现： [a,S]=polyfit(x,y,n) ---计算n阶拟合多项式的系数 [ye,delta]=polyval(a,x,S)---计算拟合多项式值的范围 S是架构数组，有3个域：S.R---QR分解后的R矩阵； S.df---相应?2量的自由度；S.normr---拟合残差的2-范数 * 曲线拟合的几个问题： 1）采用什么函数模型？ 2）模型的结构参数是什么？ 3）参数的估计值如何计算？ 4）如何估计参数的离差？ 举例： 采用多项式模型； 结构参数（模型阶数）通过?2量确定； 参数估计（多项式系数）运用最小二乘估计，并给 出相应的离差 a)估计参数下的?2量与其自由度相近； b)Q(?2,N-(n+1))=1-P(?2 (N-n-1))与0.5接近 * 例：用多项式拟合给定数据 x=0:0.1:1; y=[2.1,2.3,2.5,2.9,3.2,3.3,3.8,4.1,4.9,5.4,5.8]; %被拟合数据 dy=0.15; for n=1:6 [a,S]=polyfit(x,y,n); %计算拟合多项式，阶次分别取1~6 A{n}=a; %用元胞数组记录多项式系数 da=dy*sqrt(diag(inv(S.R’*S.R))); %计算系数的误差 DA{n}=da’; freedom(n)=S.df; %记录自由度 [ye,delta]=polyval(a,x,S); %计算拟合多项式值的范围 YE{n}=ye; %记录拟合多项式的均值 D{n}=delta; %记录拟合多项式的离差 chi2(n)=sum((y-ye).^2)/dy/dy; %计算?2量 end Q=1-chi2cdf(chi2,freedom); %计算判断拟合良好度的Q * %图形显示比较?2量与自由度，以及Q与0.5 subplot(1,2,1), plot(1:6,abs(chi2-freedom),’b.-’) xlabel(‘阶次’), title(‘chi2与自由度’) subplot(1,2,2), plot(1:6,Q,’r*-’,1:6,ones(1,6)*0.5) xlabel(‘阶次’), title(‘Q与0.5线’) 根据结果，模型阶数应选择3或4 * 验证结果:(选择三阶多项式) figure, plot(x,y,’r*’); %被拟合数据 axis([0,1,1,6]); hold on errorbar(x,YE{3},D{3},’b’); %拟合曲线及误差范围 title(‘较适当的三阶拟合’) * 三、插值 根据给定的“基准数据”，研究如何“平滑”地估算“基 准数据”之间其它点的函数值 1.一维插值 z=interp1(x,y,x0,’method’) 插值方法（method）: nearest, linear, spline, cubic 2.二维插值 z=interp2(x,y,z,x0,y0,’method’) 插值方法（method）: nearest, linear, cubic * 例：假设有一组海底深度测量数据，采用插值方式绘制海底形状图。 load sea.mat figure,surf(X,Y,Z);view(-25,25) %显示测量数据 xi=linspace(-5,5,50);yi=linspace(-5,5,50); [X1,Y1]=meshgrid(xi,yi); %待估算数据 Z1=interp2(X,Y,Z,X1,Y1,’*cubic’)