第二章_matlab.ppt

* 第*页 知行合一，学以致用 继续修改plotSin函数 当有两个输入参数时，输出值为两个频率正弦信号的叠加 使用meshgrid函数生成可供surf的矩阵 在开启的两个绘制区域，上面显示image，colormap为hot，axis设置为xy；下面显示面绘制 示例plotSin4 * 第*页 其它绘图函数 polar bar Quiver Stairs Fill * 第*页 向量化 Find非常好用 X=rand(1,100); inds=find(x0.4 x0.6); inds包含了符合判断条件的值在X向量中的位置 通过X（inds）索引具体的值 * 第*页 避免循环 问题：x=sin（linspace（0，10*pi，100）;问其中哪些值为正数 所以要避免循环！ 内置函数（built-in）编程和执行效率都高一筹。 * 第*页 优化代码 避免循环 向量化的代码在matlab中更有效率 使用索引和矩阵操作避免循环 * 第*页 向量化让编程变的更有乐趣 * 第*页 这是分割线======================= 线性代数 多项式 优化问题 微积分 差分方程 方程求解与曲线拟合 * 第*页 线性方程 如一个线性方程问题 构建系数矩阵 A=[1 2 -3; -3 -1 1; 1 -1 1]; B=[5; -8; 0]; 求解：x=A\B; x返回一个3×1的向量，里面的值分别是求解得到的x，y，z \在方阵和非方阵都可以计算，给出结果为最小二乘解 mat=[1 2 -3; -3 -1 1; 1 -1 1]; 求其秩：r=rank（mat）； 行列式：d=det（mat）； 矩阵求逆：E=inv（mat）；例如A*x=b，其中A是个方阵，那么x=A\b结果与x=inv（A）*b相同。 更多例子 最常用的 特征值求解：[V,D]=eig(x) 奇异值分解：[u,s,v]=svd(x) QR分解： [Q,R]=qr(x) 矩阵分解运算 * 第*页 知行合一，学以致用 1）求解下列线性方程 示例EquSolv * 第*页 多项式 许多情况下，各参量之间的关系可以用高阶多项式方程描述 Matlab使用系数向量表示 例如 P=[1 0 -2]表示 P=[2 0 0 0]表示 P是一个N+1长度的向量，描述N阶多项式 * 第*页 多项式运算 求根：r=roots（P） 已知根可以得到多项式P：P=poly（r） 已知多项式，计算某一点的值： y0=polyval（P，x0）；x0和y0都是一个值 已知多项式，计算多个点的值： y=polyval（P，x）；x和y是相同长度的向量 * 第*页 多项式拟合 使用matlab做拟合真的很简单 如：已知向量X=[-1 0 2], Y=[0 -1 3] 则p2=polyfit(X,Y,2); 找到最佳的2次多项式来拟合三个点(-1,0),(0,-1),(2,3) 然后我们可以画出来看看拟合效果怎么样 doc一下polyfit 我们还有一个强大工具可以使用cftool * 第*页 知行合一，学以致用 已知： x=-4：0.1：4 使用randn添加噪声，画出噪声信号，使用”.”作为marker 对噪声数据做2次多项式拟合 画出拟合的结果，画在同一figure上，颜色为红色 示例fitDemo * 第*页 许多现实问题要求我们求解形为f(x)=0的方程 对于任何的f（x），可以使用fzero求根 fzero使用需要传入一个函数作为输入参数 例如我们建立一个函数描述方程f（x），函数名为myfun 则x=fzero（‘myfun’，1）或者 x=fzero（@myfun，1） 其中1表示指定一个你认为接近根值的点 示例 优化问题 * 第*页 Fminbnd：在一个间隔范围内找到最小解 X=fminbnd（‘myfun’，-1，2）； Fminsearch：不定义区间范围 X=fminsearch（‘myfun’，.5）； 从点x=0.5开始，找到最小解 最小解 * 第*页 如果myfun非常简单，好像没必要单独写一个函数 可以通过匿名函数 X=fzero(@(x)(cos(exp(x))+x^2-1),1); 匿名函数 输入 求解的方程 * 第*页 关于优化及最优解问题，可以看抓们的optimization 还有一些优化函数如： Linprog，quadprog，fmincon。 以后遇到，我们可以查阅帮助或者仔细阅读优化工具箱。 优化工具箱 * 第*页 知行合一，学以致用 在0和2之间找到如下方程最小解时x的取值 画出这个范围的曲线图，查看是否为最小结果。 示例minFi