M a t l a b经典案例-CAL-FENGHAI-(2020YEAR-YICAI)_JINGBIAN
1、三维曲线
>> t=0:pi/50:10*pi;
>>
plot3(sin(2*t),cos(2*t),t)
>> axis square
>> grid on
2、一窗口多图形
>> t=-2*pi::2*pi;
>> subplot(3,2,1)
>> plot(t,sin(t))
>> subplot(3,2,2)
>> plot(t,cos(t))
>> subplot(3,2,3)
>> plot(t,tan(t))
>> axis([-pi pi -
100 100])
>> subplot(3,2,4)
>> plot(t,cot(t))
>> axis([-pi pi -
100 100])
>> subplot(3,2,5)
>> plot(t,atan(t))
>> subplot(3,2,6)
>> plot(t,acot(t))
3、图形样式、标注、题字
(也可以利用菜单直接Insert) >> x=0:pi/20:2*pi;
>> plot(x,sin(x),'b-.') >> hold on
>> plot(x,cos(x),'r--')
>> hold on
>> plot(x,sin(x)-1,'g:')
>> hold on
>> plot(x,cos(x)-1)
>> xlabel('x');
>> xlabel('x轴');
>> ylabel('y轴');
>> title('图形样式、标注等');
>> text(pi,sin(pi),'x=\pi');
>> legend('sin(x)','cos(x)','sin(x)-1','cos(x)-1'); >> [x1,y1]=ginput(1) %利用鼠标定位查找线上某点的值x1 =
y1 =
>> gtext('x=') %鼠标定位放置所需的值在线上
4、
>> fplot('[sin(x),cos(x),sqrt(x)-1]',[0 2*pi])
M文件：
内容如下：
function y=myfun(x)
y(:,1)=sin(x);
y(:,2)=cos(x);
y(:,3)=x^(1/2)-1;
再运行：>> fplot('myfun',[0 2*pi])
同样可以得到右图
5、
>> [x,y]=fplot('sin',[0 2*pi]);
>> [x1,y1]=fplot('cos',[0 2*pi]);
>> plot(x,y,'-r',x1,y1,'')
>> legend('y=sinx','y=cosx')
6、
>> x=[-2::2];
>> y=exp(x)-sin(x);
>> plot(x,y,'-or','linewidth',2)
7、画出y1=6(sinx-cosx),y2=x2^x-1的图形>> x=[-3::3];
>> y1=6*(sin(x)-cos(x));
>> y2=x.*2.^x-1;
>> plot(x,y1,'-r',x,y2,'','linewidth',2)
8、绘制心形图r=2(1-cos )的极坐标图形>> theta=[0::2*pi];
>> polar(theta,2*(1-cos(theta)),'-k') >> polar(theta,2*(1-cos(theta)),'-or')
9、用双轴对数坐标绘制y=x*3^x-30的图形>> x=logspace(-3,3);
>> y=x.*3.^x-30;
>> loglog(y,'-or','linewidth',2);
>> grid on
10、绘制数据向量的单轴对数坐标图形>> x=[1:50];
>> y=[1:50];
>> semilogx(x,y,'-*b')
%绘制横轴为对数坐标
%纵轴为线性坐标
>> grid on
>> semilogy(x,y,'-*b')
%绘制纵轴为对数坐标
%横轴为线性坐标
>> grid on
11、绘制矩阵的条形图，
并求出句柄属性值向量。
>> A=[1 2 3;4 5 6;7 8 9];
>> h=bar(A)
h =
12、绘制矩阵的水平条形图。
>> y=[3 2 -2 2 1;-1 2 3 7 1;7 2 -3 5 2]; >> x=[1:3];
>> barh(x,y)
13、绘制矩阵的面积图。
>> y=[3 2 -2 2 1;-1 3 3 7 2;-7 5 5 9 3];
>> area(y)
14、绘制矩阵的二维饼图
>> x=[1 2 3;4 5 6;7 8 9];
>> explode=[0 1 0 1 0 1 0 1 0];
>> pie(x,explode)
15、自行确定数据向量，绘制其散点图。
>> x=rand(1,100);y=randn(1,100);scatter(x,y,20) 16、自行确定数据，绘制其柱形图。
>> x=[-2::4];
>>y=randn(1131,1);
>>hist(y,x)
Matlab图形绘制经典案例 1、 三维曲线 >> t=0:pi/50:10*pi; >> plot3(sin(2*t),cos(2*t),t) >> axis square >> grid on
2、一窗口多图形>> t=-2*pi:0.01:2*pi; >> subplot(3,2,1)
>> plot(t,sin(t)) >> subplot(3,2,2) >> plot(t,cos(t)) >> subplot(3,2,3) >> plot(t,tan(t)) >> axis([-pi pi -100 100]) >> subplot(3,2,4) >> plot(t,cot(t)) >> axis([-pi pi -100 100]) >> subplot(3,2,5) >> plot(t,atan(t)) >> subplot(3,2,6) >> plot(t,acot(t))
3、图形样式、标注、题字(也可以利用菜单直接Insert) >> x=0:pi/20:2*pi;
>> plot(x,sin(x),'b-.') >> hold on >> plot(x,cos(x),'r--') >> hold on >> plot(x,sin(x)-1,'g:') >> hold on >> plot(x,cos(x)-1) >> xlabel('x'); >> xlabel('x轴'); >> ylabel('y轴'); >> title('图形样式、标注等'); >> text(pi,sin(pi),'x=\pi'); >> legend('sin(x)','cos(x)','sin(x)-1','cos(x)-1'); >> [x1,y1]=ginput(1) %利用鼠标定位查找线上某点的值x1 = 2.0893 y1 = -0.5000 >> gtext('x=2.5') %鼠标定位放置所需的值在线上
%-------------------------------------------------------------------------- % Copula理论及应用实例 %-------------------------------------------------------------------------- %******************************读取数据************************************* % 从文件hushi.xls中读取数据 hushi = xlsread('hushi.xls'); % 提取矩阵hushi的第5列数据，即沪市的日收益率数据 X = hushi(:,5); % 从文件shenshi.xls中读取数据 shenshi = xlsread('shenshi.xls'); % 提取矩阵shenshi的第5列数据，即深市的日收益率数据 Y = shenshi(:,5); %****************************绘制频率直方图********************************* % 调用ecdf函数和ecdfhist函数绘制沪、深两市日收益率的频率直方图 [fx, xc] = ecdf(X); figure; ecdfhist(fx, xc, 30); xlabel('沪市日收益率'); % 为X轴加标签 ylabel('f(x)'); % 为Y轴加标签 [fy, yc] = ecdf(Y); figure; ecdfhist(fy, yc, 30); xlabel('深市日收益率'); % 为X轴加标签 ylabel('f(y)'); % 为Y轴加标签 %****************************计算偏度和峰度********************************* % 计算X和Y的偏度 xs = skewness(X) ys = skewness(Y) % 计算X和Y的峰度 kx = kurtosis(X) ky = kurtosis(Y) %******************************正态性检验*********************************** % 分别调用jbtest、kstest和lillietest函数对X进行正态性检验 [h,p] = jbtest(X) % Jarque-Bera检验 [h,p] = kstest(X,[X,normcdf(X,mean(X),std(X))]) % Kolmogorov-Smirnov检验 [h, p] = lillietest(X) % Lilliefors检验
MATLAB 智能算法30个案例分析（终极版） 1 基于遗传算法的TSP算法（王辉） 2 基于遗传算法和非线性规划的函数寻优算法（史峰） 3 基于遗传算法的BP神经网络优化算法（王辉） 4 设菲尔德大学的MATLAB遗传算法工具箱（王辉） 5 基于遗传算法的LQR控制优化算法（胡斐） 6 遗传算法工具箱详解及应用（胡斐） 7 多种群遗传算法的函数优化算法（王辉） 8 基于量子遗传算法的函数寻优算法（王辉） 9 多目标Pareto最优解搜索算法（胡斐） 10 基于多目标Pareto的二维背包搜索算法（史峰） 11 基于免疫算法的柔性车间调度算法（史峰） 12 基于免疫算法的运输中心规划算法（史峰） 13 基于粒子群算法的函数寻优算法（史峰） 14 基于粒子群算法的PID控制优化算法（史峰） 15 基于混合粒子群算法的TSP寻优算法（史峰） 16 基于动态粒子群算法的动态环境寻优算法（史峰） 17 粒子群算法工具箱（史峰） 18 基于鱼群算法的函数寻优算法（王辉） 19 基于模拟退火算法的TSP算法（王辉） 20 基于遗传模拟退火算法的聚类算法（王辉） 21 基于模拟退火算法的HEV能量管理策略参数优化（胡斐）
22 蚁群算法的优化计算——旅行商问题（TSP）优化（郁磊） 23 基于蚁群算法的二维路径规划算法（史峰） 24 基于蚁群算法的三维路径规划算法（史峰） 25 有导师学习神经网络的回归拟合——基于近红外光谱的汽油辛烷值预测（郁磊） 26 有导师学习神经网络的分类——鸢尾花种类识别（郁磊） 27 无导师学习神经网络的分类——矿井突水水源判别（郁磊） 28 支持向量机的分类——基于乳腺组织电阻抗特性的乳腺癌诊断（郁磊） 29 支持向量机的回归拟合——混凝土抗压强度预测（郁磊） 30 极限学习机的回归拟合及分类——对比实验研究（郁磊） 智能算法是我们在学习中经常遇到的算法，主要包括遗传算法，免疫算法，粒子群算法，神经网络等，智能算法对于很多人来说，既爱又恨，爱是因为熟练的掌握几种智能算法，能够很方便的解决我们的论坛问题，恨是因为智能算法感觉比较“玄乎”，很难理解，更难用它来解决问题。 因此，我们组织了王辉，史峰，郁磊，胡斐四名高手共同写作MATLAB智能算法，该书包含了遗传算法，免疫算法，粒子群算法，鱼群算法，多目标pareto算法，模拟退火算法，蚁群算法，神经网络，SVM等，本书最大的特点在于以案例为导向，每个案例针对一
M a t l a b经典案例-CAL-FENGHAI-(2020YEAR-YICAI)_JINGBIAN
1、三维曲线 >> t=0:pi/50:10*pi; >> plot3(sin(2*t),cos(2*t),t) >> axis square >> grid on 2、一窗口多图形 >> t=-2*pi::2*pi; >> subplot(3,2,1) >> plot(t,sin(t)) >> subplot(3,2,2) >> plot(t,cos(t)) >> subplot(3,2,3) >> plot(t,tan(t)) >> axis([-pi pi - 100 100]) >> subplot(3,2,4) >> plot(t,cot(t)) >> axis([-pi pi - 100 100]) >> subplot(3,2,5) >> plot(t,atan(t)) >> subplot(3,2,6) >> plot(t,acot(t)) 3、图形样式、标注、题字 (也可以利用菜单直接Insert) >> x=0:pi/20:2*pi; >> plot(x,sin(x),'b-.') >> hold on
>> plot(x,cos(x),'r--') >> hold on >> plot(x,sin(x)-1,'g:') >> hold on >> plot(x,cos(x)-1) >> xlabel('x'); >> xlabel('x轴'); >> ylabel('y轴'); >> title('图形样式、标注等'); >> text(pi,sin(pi),'x=\pi'); >> legend('sin(x)','cos(x)','sin(x)-1','cos(x)-1'); >> [x1,y1]=ginput(1) %利用鼠标定位查找线上某点的值x1 = y1 = >> gtext('x=') %鼠标定位放置所需的值在线上 4、 >> fplot('[sin(x),cos(x),sqrt(x)-1]',[0 2*pi]) M文件： 内容如下： function y=myfun(x) y(:,1)=sin(x); y(:,2)=cos(x); y(:,3)=x^(1/2)-1; 再运行：>> fplot('myfun',[0 2*pi]) 同样可以得到右图 5、 >> [x,y]=fplot('sin',[0 2*pi]); >> [x1,y1]=fplot('cos',[0 2*pi]); >> plot(x,y,'-r',x1,y1,'') >> legend('y=sinx','y=cosx')
MATLAB统计分析与应用：40个案例分析 ISBN:9787512400849 分类号:C819 /115 出版社:北京航空航天大学出版社 【内容简介】 本书从实际应用的角度出发，以大量的案例详细介绍了MA TLAB环境下的统计分析与应用。 本书主要内容包括：利用MA TLAB制作统计报告或报表；从文件中读取数据到MA TLAB；从MA TLAB中导出数据到文件；数据的平滑处理、标准化变换和极差归一化变换；生成一元和多元分布随机数；蒙特卡洛方法；参数估计与假设检验；Copula理论及应用实例；方差分析；基于回归分析的数据拟合；聚类分析；判别分析；主成分分析；因子分析；图像处理中的统计应用等。 本书可以作为高等院校本科生、研究生的统计学相关课程的教材或教学参考书，也可作为从事数据分析与数据管理的研究人员的参考用书。 【目录】 第1章利用MA TLAB生成Word和Excel文档 1.1 组件对象模型(COM) 1.1.1 什么是CoM 1.1.2 CoM接口 1.2 MA TLAB中的ActiveX控件接口技术 1.2.1 actxcontrol函数 1.2.2 actxcontrollist函数 1.2.3 actxcontrolselect函数 1.2.4 actxserver函数 1.2.5 利用MA TLAB调用COM对象 1.2.6 调用actxserver函数创建组件服务器 1.3 案例1：利用MA TLAB生成Word文档 1.3.1 调用actxserver函数创建Microsoft Word服务器 1.3.2 建立Word文本文档 1.3.3 插入表格 1.3.4 插入图片 1.3.5 保存文档 1.3.6 完整代码 1.4 案例2：利用MA TLAB生成Excel文档 1.4.1 调用actxserver函数创建Microsoft Excel服务器 1.4.2 新建Excel工作簿 1.4.3 获取工作表对象句柄 1.4.4 插入、复制、删除、移动和重命名工作表 1.4.5 页面设置 1.4.6 选取工作表区域 1.4.7 设置行高和列宽 1.4.8 合并单元格 1.4.9 边框设置 1.4.10 设置单元格对齐方式
Matlab 应用例题选讲 仅举一些运用MATLAB 的例子，这些问题在数学建模中时常遇到，希望能帮助同学们在短时间内方便、快捷的使用MATLAB 解决数学建模中的问题，并善用这一工具。 常用控制命令： clc ：%清屏； clear ：%清变量； save ：%保存变量； load ：%导入变量 一、利用公式直接进行赋值计算 本金P 以每年n 次，每次i%的增值率（n 与i 的乘积为每年增值额的百分比）增加，当增加到r ×P 时所花费的时间T 为：（利用复利计息公式可得到下式） ) 01.01ln(ln )01.01(i n r T i P P r nT += ?+=?（12,5.0,2===n i r ） MATLAB 的表达形式及结果如下： >> r=2;i=0.5;n=12; %变量赋值 >> T=log(r)/(n*log(1+0.01*i)) 计算结果显示为： T = 11.5813 即所花费的时间为T=11.5813 年。 分析：上面的问题是一个利用公式直接进行赋值计算问题，实际中若变量在某个范围变化取很多值时，使用MATLAB ，将倍感方便，轻松得到结果，其绘图功能还能将结果轻松的显示出来，变量之间的变化规律将一目了然。 若r 在[1,9]变化，i 在[0.5,3.5]变化；我们将MATLAB 的表达式作如下改动，结果如图1。 r=1:0.5:9; i=0.5:0.5:3.5; n=12; p=1./(n*log(1+0.01*i)); T=log(r')*p; plot(r,T) xlabel('r') %给x 轴加标题 ylabel('T') %给y 轴加标题 q=ones(1,length(i)); text(7*q-0.2,[T(14,1:5)+0.5,T(14,6)-0.1,T(14,7)-0.9],num2str(i')) r T 图1
MATLAB应用实例分析例分析 Matlab应用例题选讲 仅举一些运用MATLAB的例子，这些问题在数学建模中时常遇到，希望能帮助同学们在短时间内方 便、快捷的使用MATLAB 解决数学建模中的问题，并善用这一工具。常用控制命令: clc:%清屏; clear:%清变量; save:%保存变量; load:%导入变量 一、利用公式直接进行赋值计算 本金P以每年n次，每次i%的增值率(n与i的乘积为每年增值额的百分比)增加，当增加到r×P 时所花费的时间T为:(利用复利计息公式可得到下式) lnrnT() r，P,P(1，0.01i),T,r,2,i,0.5,n,12nln(1，0.01i) MATLAB 的表达形式及结果如下: >> r=2;i=0.5;n=12; %变量赋值 >> T=log(r)/(n*log(1+0.01*i)) 计算结果显示为: T = 11.5813 即所花费的时间为T=11.5813 年。 分析:上面的问题是一个利用公式直接进行赋值计算问题，实际中若变量在某个范围变化取很多值时， 使用MATLAB，将倍感方便，轻松得到结果，其绘图功能还能将结果轻松的显示出来，变量之间的变化 规律将一目了然。 若r在[1,9]变化，i在[0.5,3.5]变化;我们将MATLAB的表达式作如下改动，结果如图1。 r=1:0.5:9;
i=0.5:0.5:3.5; n=12; p=1./(n*log(1+0.01*i)); T=log(r')*p; plot(r,T) xlabel('r') %给x轴加标题 ylabel('T') %给y轴加标题 q=ones(1,length(i)); text(7*q-0.2,[T(14,1:5)+0.5,T(14,6)-0.1,T(14,7)-0.9],num2str(i')) 40 350.530 25 20T 115 1.510 2 2.55 3 3.50123456789r 图1 1 从图1中既可以看到T随r的变化规律，而且还能看到i的不同取值对T—r 曲线的影响(图中的六条曲线分别代表i的不同取值)。 二、已知多项式求根 65432已知多项式为，求其根。 h,x,10x，31x,10x,116x，200x,96 分析:对多项式求根问题，我们常用roots()函数。MATLAB 的表达形式及结果如下: >> h=roots([1 -10 31 -10 -116 200 -96]) %中括号内为多项式系数由高阶到常数。计算结果显示为(其中i为虚数单位): h =
M a t l a b绘图经典案例
1、 三维曲线 >> t=0:pi/50:10*pi; >> plot3(sin(2*t),cos(2*t),t) >> axis square >> grid on 2、一窗口多图形 >> t=-2*pi:0.01:2*pi; >> subplot(3,2,1) >> plot(t,sin(t)) >> subplot(3,2,2) >> plot(t,cos(t)) >> subplot(3,2,3) >> plot(t,tan(t)) >> axis([-pi pi -100 100]) >> subplot(3,2,4) >> plot(t,cot(t)) >> axis([-pi pi -100 100]) >> subplot(3,2,5)
>> plot(t,atan(t)) >> subplot(3,2,6) >> plot(t,acot(t)) 3、图形样式、标注、题字 (也可以利用菜单直接Insert) >> x=0:pi/20:2*pi; >> plot(x,sin(x),'b-.') >> hold on >> plot(x,cos(x),'r--') >> hold on >> plot(x,sin(x)-1,'g:') >> hold on >> plot(x,cos(x)-1) >> xlabel('x'); >> xlabel('x轴'); >> ylabel('y轴'); >> title('图形样式、标注等'); >> text(pi,sin(pi),'x=\pi'); >> legend('sin(x)','cos(x)','sin(x)-1','cos(x)-1'); >> [x1,y1]=ginput(1) %利用鼠标定位查找线上某点的值
p=p1';t=t1'; [pn,minp,maxp,tn,mint,maxt]=premnmx(p,t); %原始数据归一化 net=newff(minmax(pn),[5,1],{'tansig','purelin'},'traingdx');%设置网络,建立相应的BP网络net.trainParam.show=2000; % 训练网络 net.trainParam.lr=0.01; net.trainParam.epochs=100000; net.trainParam.goal=1e-5; [net,tr]=train(net ,pn,tn); %调用TRAINGDM算法训练BP 网络 pnew=pnew1'; pnewn=tramnmx(pnew,minp,maxp); anewn=sim(net,pnewn); %对BP网络进行仿真 anew=postmnmx(anewn,mint,maxt); %还原数据 y=anew'; 1、BP网络构建 （1）生成BP网络 = net newff PR S S SNl TF TF TFNl BTF BLF PF (,[1 2...],{ 1 2...},,,) PR：由R维的输入样本最小最大值构成的2 R?维矩阵。 S S SNl：各层的神经元个数。 [ 1 2...] { 1 2...} TF TF TFNl：各层的神经元传递函数。 BTF：训练用函数的名称。 （2）网络训练 [,,,,,] (,,,,,,) = net tr Y E Pf Af train net P T Pi Ai VV TV （3）网络仿真 = [,,,,] (,,,,) Y Pf Af E perf sim net P Pi Ai T {'tansig','purelin'},'trainrp'
一、在同一坐标系内，分别用红色实线和蓝色点划线绘制曲线y1(t)=e0.1sin(0.3πt)和y2(t)=2e -0.5cos(0.6πt)，其中t ∈[0, 3]，并用星号标记出两条曲线的交叉点。请写出实现上述功能的M 文件程序代码，并给出每条语句注释说明。 t=0:0.01:3%t 取值[0,3]步长为0.01 y1=exp(0.1)*sin(0.3*pi*t)%写出公式y1(t)=e0.1sin(0.3πt) plot(t,y1,'r-')%显示该图形 hold on%继续显示 y2=2*exp(-0.5)*cos(0.6*pi*t)%写出公式y2(t)=2e -0.5cos(0.6πt) plot(t,y2,'b-.') %显示该图形 r0=abs(y2-exp(0.1)*sin(0.3*pi*t))<=0.015%设定差值的绝对值<=0.015 yy=r0.*y1;xx=r0.*t;plot(xx(r0~=0),yy(r0~=0),'r*')%用*标记交叉点 结果如下： 00.51 1.52 2.53 -1.5 -1 -0.5 0.5 1 1.5 二、求解多项式3x4-8x2+x -10除以多项式x2+x+3；计算方程3x4-8x2+x -10=0的解。请编写实现上述运算的M 程序代码，并给出每条语句注释说明。 a=[3 0 -8 1 -10]% 3x4-8x2+x -10的系数矩阵 b=[1 1 3]% x2+x+3的系数矩阵 [q,r]=deconv(a,b)%求根和余。q 为根，r 为余 结果如下： q = 3 -3 -1 4 r = 0 0 0 24 32
1-32是：图形应用篇 33-66是：界面设计篇 67-84是：图形处理篇 85-100是：数值分析篇 实例2：三角函数曲线（2） function shili02 h0=figure('toolbar','none',... 'position',[200 150 450 350],... 'name','实例02'); x=-pi:0.05:pi; y=sin(x)+cos(x); plot(x,y,'-*r','linewidth',1); grid on xlabel('自变量X'); ylabel('函数值Y'); title('三角函数'); 实例3：图形的叠加 function shili03 h0=figure('toolbar','none',... 'position',[200 150 450 350],... 'name','实例03'); x=-pi:0.05:pi; y1=sin(x); y2=cos(x); plot(x,y1,... '-*r',... x,y2,... '--og'); grid on xlabel('自变量X'); ylabel('函数值Y'); title('三角函数'); 实例4：双y轴图形的绘制function shili04
h0=figure('toolbar','none',... 'position',[200 150 450 250],... 'name','实例04'); x=0:900;a=1000;b=0.005; y1=2*x; y2=cos(b*x); [haxes,hline1,hline2]=plotyy(x,y1,x,y2,'semilogy','plot'); axes(haxes(1)) ylabel('semilog plot'); axes(haxes(2)) ylabel('linear plot'); 实例6：图形标注 function shili06 h0=figure('toolbar','none',... 'position',[200 150 450 400],... 'name','实例06'); t=0:pi/10:2*pi; h=plot(t,sin(t)); xlabel('t=0到2\pi','fontsize',16); ylabel('sin(t)','fontsize',16); title('\it{从0to2\pi 的正弦曲线}','fontsize',16) x=get(h,'xdata'); y=get(h,'ydata'); imin=find(min(y)==y); imax=find(max(y)==y); text(x(imin),y(imin),... ['\leftarrow最小值=',num2str(y(imin))],... 'fontsize',16) text(x(imax),y(imax),... ['\leftarrow最大值=',num2str(y(imax))],... 'fontsize',16) 实例7：条形图形 function shili07 h0=figure('toolbar','none',... 'position',[200 150 450 350],... 'name','实例07'); tiao1=[562 548 224 545 41 445 745 512]; tiao2=[47 48 57 58 54 52 65 48]; t=0:7; bar(t,tiao1) xlabel('X轴');
Matlab图形绘制经典案例---受用无穷1、 三维曲线 >> t=0:pi/50:10*pi; >> plot3(sin(2*t),cos(2*t),t) >> axis square >> grid on 2、一窗口多图形 >> t=‐2*pi:0.01:2*pi; >> subplot(3,2,1) >> plot(t,sin(t)) >> subplot(3,2,2) >> plot(t,cos(t)) >> subplot(3,2,3) >> plot(t,tan(t)) >> axis([‐pi pi ‐100 100]) >> subplot(3,2,4) >> plot(t,cot(t)) >> axis([‐pi pi ‐100 100])
>> subplot(3,2,5) >> plot(t,atan(t)) >> subplot(3,2,6) >> plot(t,acot(t)) 3、 图形样式、标注、题字 (也可以利用菜单直接Insert) >> x=0:pi/20:2*pi; >> plot(x,sin(x),'b‐.') >> hold on >> plot(x,cos(x),'r‐‐') >> hold on >> plot(x,sin(x)‐1,'g:') >> hold on >> plot(x,cos(x)‐1) >> xlabel('x'); >> xlabel('x轴'); >> ylabel('y轴'); >> title('图形样式、标注等'); >> text(pi,sin(pi),'x=\pi'); >> legend('sin(x)','cos(x)','sin(x)‐1','cos(x)‐1');
福建电脑2011年第11期 MATLAB图像处理的几个应用实例 王秋雨 (河南大学计算机与信息工程学院河南开封475004) 【摘要】：MATLAB处理矩阵之类的问题具有明显优势，而数字图像以矩阵形式存储于计算机中，因此MATLAB在图像处理中得到广泛应用。本文通过实例阐述MATLAB在图像处理中的应用，以图像增强、图像压缩、图像去噪为例，给出了实现图像处理的程序代码和图像处理前后的可视化效果对比。 【关键词】：图像增强；图像压缩；图像去噪 1、引言 图像是人类赖以获取信息的最重要来源之一。图像技术与计算机技术不断融合，出现了一系列图像处理软件，其中最典型的是MATLAB，该软件为图像技术的发展提供了强大支持[1,2]。MATLAB（Matrix Laborato-ry）是矩阵实验室的简称，最基本的数据结构是数组，数字图像用数组（矩阵）存储，矩阵中的一个元素对应于图像的一个像素，这意味着MATLAB矩阵运算功能可以应用于图像处理[3]。MATLAB已成为国际公认的最优秀的科技应用软件之一，具有编程简单、数据可视化功能强、可操作性强等特点，而且配有功能强大、专业函数丰富的图像处理工具箱，是图像处理的一个重要软件工具。 数字图像处理(Digital Image Processing)是通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术[1,2]。一般来讲，图像处理主要包括三个方面： ⑴提高图像的视感质量，如改变图像亮度和彩色，增强或抑制某些成分，对图像进行几何变换等，以改善图像的质量。 ⑵提取图像中所包含的某些特征或特殊信息，所提取出来的特征或信息往往为计算机分析图像提供便利。提取的特征包括很多方面，如频域特征、灰度特征、颜色特征、边界特征、区域特征、文理特征、形状特征、拓扑特征和关系结构等。 ⑶图像数据的变换、编码和压缩，以便于图像的存储和传输。 数字图像处理的过程其实就是对图像的一种运算过程，从技术上来说，数字图像处理分为空间域和频率域处理。本文通过几个应用实例，验证了MATLAB图像处理所得到的效果。 2、图像增强的应用 如果不考虑图像降质，仅突出图像中所感兴趣的部分，可以强化图像的某些分量。例如，强化图像高频分量，可使图像中物体轮廓清晰、细节明显；强化低频分量可以减少图像中噪声的影响。图像复原要求对图像降质的原因有一定的了解，一般讲应根据降质过程建立降质模型，再采用某种滤波方法，恢复或重建原来的图像[4]。 小波分析方法在图像处理方面具有很多优点。经二维小波分解后，图像的轮廓主要体现在低频部分，而细节部分则体现在高频部分。因此，通过对低频分解系数进行增强处理，对高频分解系数进行衰减处理，即可以达到图像增强的作用。MATLAB用于图像增强的一个实例如下： function exam1() I=imread('…\lena.bmp'); subplot(1,2,1);imshow(I) colormap(gray);title('原始图像') [a,b]=wavedec2(I,2,'sym4');len=length(a); for i=1:len if(a(i)>300) a(i)=2*a(i); else a(i)=0.5*a(i); end end nx=waverec2(a,b,'sym4');subplot(1,2,2); image(nx); title('增强图像') 图1是一幅图像增强前后的可视化效果对比，经过MATLAB的图像增强处理，图像轮廓更加清晰。在某些情况下，采用MATLAB对图像进行增加，可以得到实际应用效果。 基金项目：国家自然科学基金（11001075） . 6
MATLAB绘图案例 1. 三维曲线 ? t=0:pi/50:10*pi; ?plot3(sin(2*t),cos(2*t)Λ) ? axis SqUare ? grid On 2、一窗口多图形 ?t=-2*pi:0.01:2*pi; ? SUbPIot(321) ? plot(t,sin(t)) ? SUbPIOt(3,2,2) ? plot(tcos(t)) ? SlIbPIot(3,2,3) ? plot(t z tan(t)) ? axis([-pipi -100 100]) ? SUbPIot(3,2,4) ? plot(tcot(t)) ?axis([ψi Pi -100 IOOl) ? SUbPIot(325) ?plot(ζatan(t)) ? SUbPIOt(3,2,6) ? plot(tacot(t)) 3、图形样式、标注、题字 (也可以利用菜单直接InSert) ?x=0:pi/20:2*pi; ? Plotfx z Sin(X)Zb-.') ? hold On ? Plotfx z Cos(X)Zr-') ? hold On ? PIOt(X,s∣n(x)-l∕g:1)
MATLAB绘用案例 ? hold On ? PIOt(X Z COS(X)-I) >>×label(,x,); >>xlabel(,x 轴,); ? ylabel(,y 轴 ? tide('图形样式、标注等J; ?text(PLSin(Pi)∕x=?pi'); ?Iegend(I Sin(x)7COS(X)l∕sin(x)-l l∕cos(x)-l l); ? [xXyl]=ginput(l) %利用R l标定位査找线上某点的值 xl = 2.0893 yi = -0.5000 ? gte×t(,x=2.5,)%鼠标定位放置所盂的值在线上 4. ?fplot(,[sin(x)Λθs(×hSqrt(X)-l]?[0 2*pi]) M 文件：myfun.m 内容如下： function y=myfun(x) y(:, I)=Sin(x); y(:,2)=COS(x); y(:,3)二T(l∕2)-1; 再运行?：?fplot(,myfun',[0 2*pi]) 同样可以得到右图 5、 ?[×,y]=?lot(,sin,40 2*pi]); ?[×l,yl]=fplot('cos'40 2*pi]); 6.
User story RTI International and University of Pennsylvania Model the Spread of Epidemics Using MATLAB and MathWorks Parallel Computing Tools Public health officials often struggle to determine how best to prevent the spread of infectious disease. For livestock, they can institute quarantines or culling policies; for humans, they can issue travel advisories and provide immunizations. Until recently, offi-cials relied on research based on heuristics and trial-and-error approaches to decide when and where to implement these policies. Today, sophisticated mathematical models make use of data from past outbreaks. University of Pennsylvania (Penn) researchers use MATLAB? to develop models of epidemics among animals. Research Triangle Institute (RTI) extends those models to simulate infectious disease to build discrete-time, discrete-space, sto-chastic models, which could be adapted to simulate the spread of other diseases. They MATLAB simulation of an avian influenza epidemic. Accelerating the pace of engineering and science