转自:https://blog.csdn.net/zyj1286076714/article/details/50375935 MATLAB中自带的cftool拟合工具箱不能将多条曲线同时画在同一副图中,而常规的plot()函数又不能拟合平滑直线,接下来总结一种可以利用cftool导出的代码,在一张图中拟合多条平滑曲线。 首先输入所要拟合的数据,如x, y, x1, y1, x2, y2等等。 之后打开cftool工具箱,使用数据拟合曲线,在拟合方式一栏选择Smoothing Spline。可以得到图像。 之后在文件菜单栏中点击Generate Code,之后将在工作空间里看到导出的m文件。 function [fitresult, gof] = createFit(x, y)%CREATEFIT(X,Y)% Create a fit.%% Data for ‘untitled fit 1’ fit:% 继续阅读 >>


殷健翔 18/08/09 22:16:13
三维画图函数 plot3函数 plot3是画三维图形的最基本函数,调用格式 plot3(X1,Y1,Z1,...) plot3(X1,Y1,Z1,LineSpec,...) plot3(...,'PropertyName',PropertyValue,...) X1,Y1,Z1为向量或者矩阵,LineSpec定义曲线线型、颜色和数据点,PropertyName线对象的属性,PropertyValue属性的值 t = 0:pi/50:10*pi; plot3(sin(t),cos(t),t); 三维网格线绘制 所用的函数为mesh,调用格式 mesh(X,Y,Z) mesh(Z) mesh(...,C) mesh(...,'PropertyName',PropertyValue,...) mesh(axes_handles,...) h = mesh(...) C是用于控制颜色,如果没有定义C,mesh绘制图的颜色随着Z值成比例变化;X和Y都是向量,长度分别为m和 继续阅读 >>


殷健翔 18/08/08 01:18:58
回归分析 回归分析(英语:Regression Analysis)是一种统计学上分析数据的方法,目的在于了解两个或多个变量间是否相关、相关方向与强度,并建立数学模型以便观察特定变量来预测研究者感兴趣的变量。更具体的来说,回归分析可以帮助人们了解在只有一个自变量变化时因变量的变化量。一般来说,通过回归分析我们可以由给出的自变量估计因变量的条件期望。 回归分析是建立因变量 Y Y(或称依变量,反因变量)与自变量 X(或称独变量,解释变量)之间关系的模型。简单线性回归使用一个自变量 X,复回归使用超过一个自变量( X1,X2...Xi" role="presentation" style="position: relative;">X1,X2...XiX1,X2...XiX_{1},X_{2}...X_{i}) wikipadia回归分析 regress调用格式 regress用于一元及多元线性回归,本质上是最小二乘法,可以通过help命令查看更具体内容 b = regress(Y,X) 继续阅读 >>


殷健翔 18/08/07 01:56:54
插值 插值是在已知数据之间寻找估计值的过程 一维插值 对于一维函数y=f(x)进行插值,主要分为 - 基于多项式插值 - 基于快速傅里叶插值 基于多项式插值 线性插值: 两个数据点之间的中间值都落在这两个数据点连成的直线上。数据点数目增多和数据点之间的距离缩短,都会使插值越来越精确。 inter1(x,y,x x,metstr) 返回长度和向量x相同的向量x x。函数f由向量x,y决定,形式y=f(x)。向量x必须按升序或者降序排列。 metstr的不同插值方法 - linear 线性插值 - nearest 最邻近插值 - spline 三次样条插值,外推法 - cubic 三次插值 对于sin($x^2$)在区间[0,2]上20个函数值的表 x = linspace(0,2,20); y = sin(x.^2); valuve = interp1(x,y,[0 1/2 2],'spline') plot(x,y) hold on plot([0 1/2 2 继续阅读 >>


殷健翔 18/08/06 23:36:59
1.输入需要进行闭合的数据,进入workspace x = [0 5 10 20 30 40 50 60 80]; y = [0 2.25 6.8 20.15 35.7 56.4 75.1 87.15 98.5]; 2.启动拟合工具箱 在命令行中直接输入 cftool 3.然后利用工具箱进行数据拟合,操作界面比较人性化 主要的结果参数 Coefficients (with 95% conffidence range) (95%致信区间内的拟合常数) - $a_1$ = … (…) (等号后面是平均值,括号里是范围) Godness of fit (统计结果) - SSE (方差) - R-squared (决定系数) - Adjusted R-squared (校正后的决定系数) - RMSE (标准差) 可以选用的方法 - Custom Equations:用户自定义的函数类型 - Exponential:指数逼近,有2种类型, aebx" ro 继续阅读 >>


殷健翔 18/08/06 23:10:33
polyfit polyfit函数简介 polyfit函数是matlab中用于进行曲线拟合的一个函数。其数学基础是最小二乘法曲线拟合原理。曲线拟合:已知离散点上的数据集,即已知在点集上的函数值,构造一个解析函数(其图形为一曲线)使在原离散点上尽可能接近给定的值。 用法 p = polyfit(x,y,n) p = polyfit(x,y,n) 返回阶数为 n 的多项式 p(x) 的系数,该阶数是 y 中数据的最佳拟合(在最小二乘方式中)。p 中的系数按降幂排列,p 的长度为 n+1 p(x)=p1xn+p2xn−1+...+pnx+pn+1" role="presentation" style="position: relative;">p(x)=p1xn+p2xn−1+...+pnx+pn+1p(x)=p1xn+p2xn−1+...+pnx+pn+1p(x) = p_{1}x^{n} + p_{2}x^{n-1} + ... + p_{n}x + 继续阅读 >>


殷健翔 18/08/06 16:07:23
第一题 第一题 标题:第几天 2000年的1月1日,是那一年的第1天。 那么,2000年的5月4日,是那一年的第几天? 注意:需要提交的是一个整数,不要填写任何多余内容。 这个,纯送分吧 1+31+28+31+30+4=125" role="presentation">1+31+28+31+30+4=1251+31+28+31+30+4=1251+31+28+31+30+4 = 125 或者用excal一拉就好了 第二题 标题:明码 汉字的字形存在于字库中,即便在今天,16点阵的字库也仍然使用广泛。 16点阵的字库把每个汉字看成是16x16个像素信息。并把这些信息记录在字节中。 一个字节可以存储8位信息,用32个字节就可以存一个汉字的字形了。 把每个字节转为2进制表示,1表示墨迹,0表示底色。每行2个字节, 一共16行,布局是: 第1字节,第2字节 第3字节,第4字节 …. 第31字节, 第32字节 这道题目是给你一段 继续阅读 >>


殷健翔 18/06/05 01:58:05
前言 对于学通信的人来说,在学到数字信号处理时都会学到一个东东,叫做快速傅里叶变换(Fast Fourier Transform,简称FFT)。这东西真的挺有用的,但是只要有那么一点用的东西,就是特别难的。(现在也有很多不完整的地方,以后再补充~) 什么是FFT FFT,即为快速傅氏变换,是离散傅氏变换的快速算法,它是根据离散傅氏变换的奇、偶、虚、实等特性,对离散傅立叶变换的算法进行改进获得的。它对傅氏变换的理论并没有新的发现,但是对于在计算机系统或者说数字系统中应用离散傅立叶变换,可以说是进了一大步 FFT是一种用来计算DFT(离散傅里叶变换)和IDFT(离散傅里叶反变换)的一种快速算法。这种算法运用了一种高深的数学方式、把原来复杂度为O(n2)" role="presentation">O(n2)O(n2)O(n^2) 的朴素多项式乘法转化为了O(nlogn)" role="presentation">O(nlogn)O(nlogn)O(nlogn)的算法。 首先上DFT的公 继续阅读 >>


殷健翔 18/05/15 09:40:22
7-4 排座位(25 分) 布置宴席最微妙的事情,就是给前来参宴的各位宾客安排座位。无论如何,总不能把两个死对头排到同一张宴会桌旁!这个艰巨任务现在就交给你,对任何一对客人,请编写程序告诉主人他们是否能被安排同席。 输入格式: 输入第一行给出3个正整数:N(≤100),即前来参宴的宾客总人数,则这些人从1到N编号;M为已知两两宾客之间的关系数;K为查询的条数。随后M行,每行给出一对宾客之间的关系,格式为:宾客1 宾客2 关系,其中关系为1表示是朋友,-1表示是死对头。注意两个人不可能既是朋友又是敌人。最后K行,每行给出一对需要查询的宾客编号。 这里假设朋友的朋友也是朋友。但敌人的敌人并不一定就是朋友,朋友的敌人也不一定是敌人。只有单纯直接的敌对关系才是绝对不能同席的。 输出格式: 对每个查询输出一行结果:如果两位宾客之间是朋友,且没有敌对关系,则输出No problem;如果他们之间并不是朋友,但也不敌对,则输出OK;如果他们之间有敌对,然而也有共同的朋友,则输出OK but…;如果他们之间 继续阅读 >>


殷健翔 18/04/27 21:19:46
毫无营养的博客,纯粹给自己公众号打广告~ 新开的一个公众号,大家记得加关注了 公众号的内容主要是关于自己的一些学习生活上的总结以及blog上的一些文章了~ 作者:YinJianxiang 发表于 2018/04/23 00:49:58 原文链接 https://blog.csdn.net/YinJianxiang/article/details/80045200 阅读:74 评论:2 查看评论 继续阅读 >>


殷健翔 18/04/23 00:49:58