matlab心形函数代码简单

MATLAB教程 1．MATLAB的基本知识

1-1、基本运算与函数

在MATLAB下进行基本数学运算，只需将运算式直接打入提示号（>>）之後，并按入Enter键即可。例如： >> (5*2+1.3-0.8)*10/25 ans =4.2000

MATLAB会将运算结果直接存入一变数ans，代表MATLAB运算後的答案（Answer）并显示其数值於萤幕上。

小提示： \是MATLAB的提示符号（Prompt），但在PC中文视窗系统下，由於编码方式不同，此提示符号常会消失不见，但这并不会影响到MATLAB的运算结果。

我们也可将上述运算式的结果设定给另一个变数x： x = (5*2+1.3-0.8)*10^2/25 x = 42

此时MATLAB会直接显示x的值。由上例可知，MATLAB认识所有一般常用到的加（+）、减（-）、乘（*）、除（/）的数学运算符号，以及幂次运算（^）。 小提示： MATLAB将所有变数均存成double的形式，所以不需经过变数宣告（Variable declaration）。MATLAB同时也会自动进行记忆体的使用和回收，而不必像C语言,必须由使用者一一指定.这些

Matlab函数boxplot(箱形图)的用法.txt你不能让所有人满意，因为不是所有的人都是人成功人士是—在牛B的路上，一路勃起你以为我会眼睁睁看着你去送死吗？我会闭上眼睛的标题：Matlab函数boxplot(箱形图)的用法 出处：讶究'Blog

时间：Thu, 22 Apr 2010 15:41:07 +0000 作者：admin

地址：http://www.vcbeta.net/read.php/332.htm

内容：

箱形图（Box-plot）又称为箱须图（Box-whisker Plot）、盒须图、盒式图或箱线图，是一种用作显示一组数据分散情况资料的统计图。因型状如箱子而得名。在各种领域也经常被使用，常见于品质管理。

箱形图于1977年由美国著名统计学家 John Tukey发明。它能显示出一组数据的最大值、最小值、中位数、下四分位数及上四分位数，即是利用数据中的这五个统计量：最小值、第一四分位数、中位数、第三四分位数与最大值来描述数据的一种方法，它也可以粗略地看出数据是否具有有对称性，分布的分散程度等信息，特别可以用于对几个样本的比较。

画图步骤： 1、画数轴，度量单位大小和数据批的单位一致，起点比最小值稍小，长

附录3 本书自编MATLAB函数的源代码及注释

本书介绍的一些算法和基本概念的应用需要在MATLAB下编辑命令得以实现。为便于读者使用和理解，将其汇编在本附录中。

1 精密度测试光谱的标准方差光谱的计算

本书第2章的（2-9）介绍了应用精密度测试光谱的标准方差评价光谱质量的公式与方法，其应用通过下述自编函数实现（该函数要求输入数据文件为csv格式）：

function [data,x,dirs,stdA]=SVSRS(filedir,filetype,k)

% 对多个光谱进行标准差分析（若各光谱的波长点不相等则该函数无法使用） % filedir—光谱文件所在目录，filetype—文件类型，两者必须以字符串形式输入。

% 例如SVSRS('c:/matlab/work/data/','*.csv'，0)即为对路径c:/matlab/work/data中的光谱进行标准方差计算

% k=0,对原始光谱进行标准方差分析；

% k=1，对光谱进行一阶导数处理后再进行标准方差分析； % k=2，对光谱进行SNV预处理后再进行标准方差分析； % k=3，对光谱进行MSC预处理后再进行标准方差分析 % x为光谱的横坐标（波数或波长），data为光谱吸光

[matlab图像处理] 阈值分割

%迭代式阈值分割 otsu阈值分割 二值化 close all;%关闭所有窗口 clear;%清除变量的状态数据 clc;%清除命令行 I=imread('rice.png'); subplot(2,2,1); imshow(I);

title('1 rice的原图'); %迭代式阈值分割

zmax=max(max(I));%取出最大灰度值 zmin=min(min(I));%取出最小灰度值 tk=(zmax+zmin)/2; bcal=1; [m,n]=size(I); while(bcal)

%定义前景和背景数 iforeground=0; ibackground=0;

%定义前景和背景灰度总和 foregroundsum=0; backgroundsum=0; for i=1:m

for j=1:n

tmp=I(i,j); if(tmp>=tk)

%前景灰度值

iforeground=iforeground+1;

多元线性回归和BP神经网络及决策向量机之间的比较，个人理解：

多元线性回归：就是多个属性的线性组合，在组合时，通过不断调节每个属性的权重来使多元线性回归函数更多的适用于多个样本。

BP神经网络：通过使用最快速下降法，通过反向传播来不断调整网络中的权值和阈值，使网络的误差平方和最小。 决策向量机：它仍是对每个样本操作，使得所有样本距离最终生成的拟合曲线的间隔最小化。 算法比较：

pmm1BP目标函数： J?(?j)22j?1j

?yd权值调整：

k?1?wij????Jk?1?wij决策向量机目标函数：min1/2w^2

支持向量机(Support vector machines，SVM)与神经网络类似，都是学习型的机制，但与神经网络不同的是SVM使用的是数学方法和优化技术。

学习效率的比较：

导入数据： File->import data

参数优化常用方法：

[train_pca,test_pca] = pcaForSVM(train_data,test_data,97);//主元分析

[bestCVmse,bestc,bestg,ga_option]=gaSVMcgForRegress(train_label,train_pca);

多元线性回归和BP神经网络及决策向量机之间的比较，个人理解：

多元线性回归：就是多个属性的线性组合，在组合时，通过不断调节每个属性的权重来使多元线性回归函数更多的适用于多个样本。

BP神经网络：通过使用最快速下降法，通过反向传播来不断调整网络中的权值和阈值，使网络的误差平方和最小。 决策向量机：它仍是对每个样本操作，使得所有样本距离最终生成的拟合曲线的间隔最小化。 算法比较：

pmm1BP目标函数： J?(?j)22j?1j

?yd权值调整：

k?1?wij????Jk?1?wij决策向量机目标函数：min1/2w^2

支持向量机(Support vector machines，SVM)与神经网络类似，都是学习型的机制，但与神经网络不同的是SVM使用的是数学方法和优化技术。

学习效率的比较：

导入数据： File->import data

参数优化常用方法：

[train_pca,test_pca] = pcaForSVM(train_data,test_data,97);//主元分析

[bestCVmse,bestc,bestg,ga_option]=gaSVMcgForRegress(train_label,train_pca);

基于ReLU和Softmax的简单深度神经网络matlab代码设计

本文以matlab为工具介绍下如何实现神经元激活函数为ReLU的深度神经网络。ReLU函数的数学公式很简单ReLU(x)=max(x,0)，但其对DNN的贡献是巨大的。若DNN用于数据分类，则可以简单的认为其主要由两个部分组成：多隐层网络+分类器。分类器以softmax为例。

第一步：准备数据

1）将你需要分类的样本数据以每列的形式保存于矩阵中；->TrainData

2）将每个样本的类别标记按数据顺序存为一行向量，类别为1,2,3,…,n；->TrainLabel

并将数据保存入MyData.mat数据文件中。 采用以下程序实现数据的生成。 x=1:10 y=1:8:80

rt=x.*x-50*x+40*y-y.^2; TrainData=[x;y]; for k=1:10 v_rt_k=rt(k) ifrt(k)<=0

TrainLabel(k)=1; else

TrainLabel(k)=2; end end

save('MyData.mat','TrainData','TrainLabel')

第二步：网络配置、参数初始化和转换

将第一步中准备好的数据载入内存中，并采用

基于ReLU和Softmax的简单深度神经网络matlab代码设计

本文以matlab为工具介绍下如何实现神经元激活函数为ReLU的深度神经网络。ReLU函数的数学公式很简单ReLU(x)=max(x,0)，但其对DNN的贡献是巨大的。若DNN用于数据分类，则可以简单的认为其主要由两个部分组成：多隐层网络+分类器。分类器以softmax为例。

第一步：准备数据

1）将你需要分类的样本数据以每列的形式保存于矩阵中；->TrainData

2）将每个样本的类别标记按数据顺序存为一行向量，类别为1,2,3,…,n；->TrainLabel

并将数据保存入MyData.mat数据文件中。 采用以下程序实现数据的生成。 x=1:10 y=1:8:80

rt=x.*x-50*x+40*y-y.^2; TrainData=[x;y]; for k=1:10 v_rt_k=rt(k) ifrt(k)<=0

TrainLabel(k)=1; else

TrainLabel(k)=2; end end

save('MyData.mat','TrainData','TrainLabel')

第二步：网络配置、参数初始化和转换

将第一步中准备好的数据载入内存中，并采用

[matlab图像处理] 阈值分割

%迭代式阈值分割 otsu阈值分割 二值化 close all;%关闭所有窗口 clear;%清除变量的状态数据 clc;%清除命令行 I=imread('rice.png'); subplot(2,2,1); imshow(I);

title('1 rice的原图'); %迭代式阈值分割

zmax=max(max(I));%取出最大灰度值 zmin=min(min(I));%取出最小灰度值 tk=(zmax+zmin)/2; bcal=1; [m,n]=size(I); while(bcal)

%定义前景和背景数 iforeground=0; ibackground=0;

%定义前景和背景灰度总和 foregroundsum=0; backgroundsum=0; for i=1:m

for j=1:n

tmp=I(i,j); if(tmp>=tk)

%前景灰度值

iforeground=iforeground+1;

本科生实验报告

实验课程 《MATLAB仿真技术》

学院名称 核技术与自动化工程学院 专业名称 核工程与核技术 学生姓名 杨洲 学生学号201506020219

指导教师 杨剑波

实验地点 6C802 实验成绩

二〇 一六 年 十 月 二〇一六 年 十一 月

1.对于典型二阶系统

?G?s??22s?2??ns??n 编写程序并绘制出无阻尼自然振荡?n=8，阻尼比?分别为0.2,0.4,…,1.0,2.0时系统的单位阶跃响应曲线 程序:

%典型二阶系统的单位阶跃响应曲线 clc,clear;

Wn=8; %无阻尼自然振荡 t=linspace(0,5);

for a=0.2:0.2:0.8 %（0<阻尼比a<1,欠阻尼） Wd=Wn.*sqrt(1-a.^2);

c=1-exp(-a.*Wn.*t).*(cos(Wd.*t)+a/