matlab 中归一化的几种方法及其各自的适用条件 关于神经网络（matlab）归一化的整理 关于神经网络归一化方法的整理 由于采集的各数据单位不一致，因而须对数据进行[-1，1]归一化处理，归一化方法主要有如下几种，供大家参考：（by james） 1、线性函数转换，表达式如下： y=(x-MinValue)/(MaxValue-MinValue) 说明：x、y分别为转换前、后的值，MaxValue、MinValue分别为样本的最大值和最小值。 2、对数函数转换，表达式如下： y=log10(x) 说明：以10为底的对数函数转换。 3、反余切函数转换，表达式如下： y=atan(x)*2/PI 归一化是为了加快训练网络的收敛性，可以不进行归一化处理 归一化的具体作用是归纳统一样本的统计分布性。归一化在0-1之间是统计的概率分布，归一化在-1--+1之间是统计的坐标分布。归一化有同一、统一和合一的意思。无论是为了建模还是为了计算，首先基本度量单位要同一，神经网络是以样本在事件中的统计分别几率来进行训练（概率计算）和预测的，归一化是同一在0-1之间的统计概率分布； 当所有样本的输入信号都为正值时，与第一隐含层神经元相连的权值只能同时增加或减小，从而导致学习速度很慢。为了避免出现这种情况，加快网络学习速度，可以对输入信号进行归一化，使得所有样本的输入信号其均值接近于0或与其均方差相比很小。 归一化是因为sigmoid函数的取值是0到1之间的，网络最后一个节点的输出也是如此，所以经常要对样本的输出归一化处理。所以这样做分类的问题时用[0.9 0.1 0.1]就要比用[1 0 0]要好。 但是归一化处理并不总是合适的，根据输出值的分布情况，标准化等其它统计变换方法有时可能更好。 关于用premnmx语句进行归一化： premnmx语句的语法格式是：[Pn,minp,maxp,Tn,mint,maxt]=premnmx(P,T) 其中P，T分别为原始输入和输出数据，minp和maxp分别为P中的最小值和最大值。mint 和maxt分别为T的最小值和最大值。 premnmx函数用于将网络的输入数据或输出数据进行归一化，归一化后的数据将分布在[-1,1]区间内。 我们在训练网络时如果所用的是经过归一化的样本数据，那么以后使用网络时所用的新数据也应该和样本数据接受相同的预处理，这就要用到tramnmx。 下面介绍tramnmx函数： [Pn]=tramnmx(P,minp,maxp) 其中P和Pn分别为变换前、后的输入数据，maxp和minp分别为premnmx函数找到的最大值和最小值。 （by terry2008） matlab中的归一化处理有三种方法 1. premnmx、postmnmx、tramnmx
simulink中的solver各选项表示的意思ZZ 2007-05-11 21:12 | (分类:默认分类) 构建好一个系统的模型之后，接下来的事情就是运行模型，得出仿真结果。运行一个仿真的完整过程分成三个步骤：设置仿真参数，启动仿真和仿真结果分析。 一、设置仿真参数和选择解法器 设置仿真参数和选择解法器，选择Simulation菜单下的Parameters命令，就会弹出一个仿真参数对话框，它主要用三个页面来管理仿真的参数。 Solver页，它允许用户设置仿真的开始和结束时间，选择解法器，说明解法器参数及选择一些输出选项。 Workspace I/O页，作用是管理模型从MATLAB工作空间的输入和对它的输出。 Diagnostics页，允许用户选择Simulink在仿真中显示的警告信息的等级。 1、Solver页 此页可以进行的设置有：选择仿真开始和结束的时间；选择解法器，并设定它的参数；选择输出项。 仿真时间：注意这里的时间概念与真实的时间并不一样，只是计算机仿真中对时间的一种表示，比如10秒的仿真时间，如果采样步长定为0.1，则需要执行100步，若把步长减小，则采样点数增加，那么实际的执行时间就会增加。一般仿真开始时间设为0，而结束时间视不同的因素而选择。总的说来，执行一次仿真要耗费的时间依赖于很多因素，包括模型的复杂程度、解法器及其步长的选择、计算机时钟的速度等等。 仿真步长模式：用户在Type后面的第一个下拉选项框中指定仿真的步长选取方式，可供选择的有Variable-step（变步长）和Fixed-step（固定步长）方式。变步长模式可以在仿真的过程中改变步长，提供误差控制和过零检测。固定步长模式在仿真过程中提供固定的步长，不提供误差控制和过零检测。用户还可以在第二个下拉选项框中选择对应模式下仿真所采用的算法。 变步长模式解法器有：ode45，ode23，ode113，ode15s，ode23s，ode23t，ode23tb和discrete。ode45：缺省值，四/五阶龙格－库塔法，适用于大多数连续或离散系统，但不适用于刚性（stiff）系统。它是单步解法器，也就是，在计算y(tn)时，它仅需要最近处理时刻的结果y(tn-1)。一般来说，面对一个仿真问题最好是首先试试ode45。 ode23：二/三阶龙格－库塔法，它在误差限要求不高和求解的问题不太难的情况下，可能会比ode45更有效。也是一个单步解法器。 ode113：是一种阶数可变的解法器，它在误差容许要求严格的情况下通常比ode45有效。ode113是一种多步解法器，也就是在计算当前时刻输出时，它需要以前多个时刻的解。 ode15s：是一种基于数字微分公式的解法器（NDFs）。也是一种多步解法器。适用于刚性系统，当用户估计要解决的问题是比较困难的，或者不能使用ode45，或者即使使用效果也不好，就可以用ode15s。 ode23s：它是一种单步解法器，专门应用于刚性系统，在弱误差允许下的效果好于ode15s。它能解决某些ode15s所不能有效解决的stiff问题。 ode23t：是梯形规则的一种自由插值实现。这种解法器适用于求解适度stiff的问题而用户又需要一个无数字振荡的解法器的情况。 ode23tb：是TR-BDF2的一种实现， TR-BDF2 是具有两个阶段的隐式龙格－库塔公式。discrtet：当Simulink检查到模型没有连续状态时使用它。 固定步长模式解法器有：ode5，ode4，ode3，ode2，ode1和discrete。 ode5：缺省值，是ode45的固定步长版本，适用于大多数连续或离散系统，不适用于刚性系统。
1.变步长(Variable—Step)求解器 可以选择的变步长求解器有：ode45，ode23，ode113，odel5s，ode23s和discret．缺省情况下，具有状态的系统用的是ode45；没有状态的系统用的是discrete． 1)ode45基于显式Runge—Kutta(4，5)公式，Dormand—Prince对．它是—个单步求解器(solver)。也就是说它在计算y(tn)时，仅仅利用前一步的计算结果y(tn-1)．对于大多数问题．在第一次仿真时、可用ode45试一下． 2)ode23是基于显式Runge—Kutta(2，3)．Bogackt和Shampine对．对于宽误差容限和存在轻微刚性的系统、它比ode45更有效一些．ode23也是单步求解器．3)odell3是变阶Adams-Bashforth—Moulton PECE求解器．在误差容限比较严时，它比ode45更有效．odell3是一个多步求解器，即为了计算当前的结果y(tn），不仅要知道前一步结果y(tn-1)，还要知道前几步的结果y(tn-2)，y(tn-3)，…； 4)odel5s是基于数值微分公式(NDFs)的变阶求解器．它与后向微分公式BDFs(也叫Gear方法)有联系．但比它更有效．ode15s是一个多步求解器，如果认为一个问题是刚性的，或者在用ode45s时仿真失败或不够有效时，可以试试odel5s。odel5s是基于一到五阶的NDF公式的求解器．尽管公式的阶数越高结果越精确，但稳定性会差一些．如果模型是刚性的，并且要求有比较好的稳定性，应将最大的阶数减小到2．选择odel5s求解器时，对话框中会显示这一参数．可以用ode23求解器代替。del5s，ode23是定步长、低阶求解器． 5)ode23s是基于一个2阶改进的Rosenbrock公式．因为它是一个单步求解器，所以对于宽误差容限，它比odel5s更有效．对于一些用odel5s不是很有效的刚性问题，可以用它解决． 6)ode23t是使用“自由”内插式梯形规则来实现的．如果问题是适度刚性，而且需要没有数字阻尼的结果，可采用该求解器． 7)ode23tb是使用TR—BDF2来实现的，即基于隐式Runge—Kutta公式，其第一级是梯形规则步长和第二级是二阶反向微分公式．两级计算使用相同的迭代矩阵．与ode23s相似，对于宽误差容限，它比odtl5s更有效． 8)discrete(变步长)是simulink在检测到模型中没有连续状态时所选择的一种求解器．
数据的标准化 在数据分析之前，我们通常需要先将数据标准化（normalization），利用标准化后的数据进行数据分析。数据标准化也就是统计数据的指数化。数据标准化处理主要包括数据同趋化处理和无量纲化处理两个方面。数据同趋化处理主要解决不同性质数据问题，对不同性质指标直接加总不能正确反映不同作用力的综合结果，须先考虑改变逆指标数据性质，使所有指标对测评方案的作用力同趋化，再加总才能得出正确结果。数据无量纲化处理主要解决数据的可比性。去除数据的单位限制，将其转化为无量纲的纯数值，便于不同单位或量级的指标能够进行比较和加权。数据标准化的方法有很多种，常用的有“最小—最大标准化”、“Z-score标准化”
和“按小数定标标准化”等。经过上述标准化处理，原始数据均转换为无量纲化指标测评值，即各指标值都处于同一个数量级别上，可以进行综合测评分析。 一、Min-max 标准化 min-max标准化方法是对原始数据进行线性变换。设minA和maxA分别为属性A的最小值和最大值，将A的一个原始值x通过min-max标准化映射成在区间[0,1]中的值x'，其公式为： 新数据=（原数据-极小值）/（极大值-极小值） 二、z-score 标准化 这种方法基于原始数据的均值（mean）和标准差（standard deviation）进行数据的标准化。将A的原始值x使用z-score标准化到x'。z-score标准化方法适用于属性A的最大值和最小值未知的情况，或有超出取值范围的离群数据的情况。 新数据=（原数据-均值）/标准差 spss默认的标准化方法就是z-score标准化。用Excel进行z-score标准化的方法：在Excel中没有现成的函数，需要自己分步计算，其实标准化的公式很简单。步骤如下： 求出各变量（指标）的算术平均值（数学期望）xi和标准差si ； .进行标准化处理：zij＝（xij－xi）／si,其中：zij为标准化后的变量值；xij为实际变量值。 将逆指标前的正负号对调。标准化后的变量值围绕0上下波动，
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 实训设计（一） 二阶系统变阻尼比的动态仿真系统的设计 一.设计一个二阶系统的变阻尼比的动态仿真系统 二.步骤 （1）程序功能描述 1. 典型二阶系统的传递函数为 ω ωωξ22 2 2)(n n n S s ++= Φ 2. 归一化二阶系统的单位阶跃响应 1、ζ=0（无阻尼）时，系统处于等幅振荡，超调量最大，为100%，并且系统发生不衰减的振荡，永远达不到稳态。 2、0<ζ<1（欠阻尼）时，系统为衰减振荡。为了获得满意的二阶系统的瞬态响应特性，通常阻尼比在0.4~0.8的范围内选择。这时系统在响应的快速性、稳定性等方面都较好。 3、在ζ=1（临界阻尼）及ζ>1（过阻尼）时，二阶系统的瞬态过程具有单调上升的特性，以ζ=1时瞬态过程最短。 （2）程序界面设计 图形界面中的grid on 、grid off 分别是网格和绘图框的打开和关闭按钮
（3）程序测试运行 在编辑框中+还可以输入如0:0.1:0.8的阻尼系数数组，这表示把0到0.8之间的长度以0.1为跨距等份，再以每点的数据得到响应曲线，上式就包含了 ze-ta=0、0.1、0.2···、0.8总共8个阻尼比下的响应曲线
三.控件属性设置 （1）String %显示在控件上的字符串 （2）Callback 回调函数 （3）enable 表示控件是否有效 （4）Tag 控件标记，用于标识控件 四.设计：实现如下功能的系统界面 （1）在编辑框中，可以输入表示阻尼比的标量成行数组、数值，并在按了Enter 键后，在轴上画出图形，坐标范围x[1，15],y[0，2]。 （2）在点击grid on或者grid off键时，在轴上显示或删除“网格线”。（3）在菜单[options]下，有两个下拉菜单[Box on]和[Box off]，缺省值为off。（4）所设计界面和其上图形，都按比例缩放。 五.各个控件属性设置 （1）在图形窗中设置 Name 我的设计 Rize on %图窗可以缩放 Tag figure1 %生成handles. figure1 （2）在轴框中 Units normalizen Box off坐标轴不封闭 Tag axes1 XLim[0,15]%x范围 YLim[1,2]%y范围 （3）静态文件框1 fontsize 0.696 fritunits normalizen String“归一化二阶阶跃响应” Tag text1 Horizontalignment Center
实验四 SIMULINK 仿真实验 一、 实验目的 1. 学习SIMULINK 的实验环境使用。 2. 掌握SIMULINK 进行结构图仿真的方法。 二、 实验内容 1．控制系统结构图仿真 给定被控对象) 1(10 )(+= s s s G ,控制器111.0145.0)(++=s s s D ,按以下两种情 况设计SIMULINK 仿真结构图（给定信号是单位阶跃信号）。 （1） 无控制器时被控对象单位负反馈。 （2） 控制器与被控对象串连接成单位负反馈。 给定的仿真参数： （1） 信号源参数设置: 阶跃信号（Step ）的Step time 设为0秒。 （2）仿真参数设置: 仿真时间 0～10秒，求解器选定步长(Fixed-step)的ode5,仿真步长（Fixed step size ）设为0.02秒。 实验要求： (1) 在SIMULINK 中对设计的结构图进行仿真，观察输入信号，输出信号和控制信号。 (1) 记录保存两种情况下的响应波形（适当调整时间轴和纵轴坐标，使图形显示适中，同时在图中求出系统的超调和调节时间（按2％的误差带）。
123 45678910 00.20.40.60.8 1 1.2 1.4 时间 (seconds) d a t a 时序图: 0123 45678910 0.20.40.60.81 1.21.41.6 1.8时间 (seconds) d a t a 时序图:
2．动态系统微分方程仿真 在SIMULINK 中求解下列二阶微分方程代表的动态系统在阶跃信号作用下的状态响应。 给定的仿真参数： （1） 信号源参数设置：阶跃信号（Step ）的Step time 设为0秒。 （2） 仿真参数设置：仿真时间 0～8秒，求解器选变步长 (Variable-step)的ode45,最大仿真步长（Max step size ）设为0.01秒。 实验要求： （1） 据微分方程构造结构图。 （2） 结构图仿真。 a) 零状态仿真：x 1=0,x 2=0， b) 非零状态仿真：x 1=1，x 2=-1， c) 记录保存两种情况下的响应波形（适当调整时间轴和纵轴坐 标，使图形显示适中）。 1 22122110) (1,||210x y t u u x x x x x x ==++--==
matlab图像处理为什么要归一化和如何归一化 一、为什么归一化 1. 基本上归一化思想是利用图像的不变矩寻找一组参数使其能够消除其他变换函数对图像变换的影响。也就是转换成唯一的标准形式以抵抗仿射变换 图像归一化使得图像可以抵抗几何变换的攻击，它能够找出图像中的那些不变量，从而得知这些图像原本就是一样的或者一个系列的。 因为我们这次的图片有好多都是一个系列的，所以老师把这个也作为我研究的一个方向。 我们主要要通过归一化减小医学图片由于光线不均匀造成的干扰。 2.matlab里图像数据有时候必须是浮点型才能处理，而图像数据本身是0-255的UNIT型数据所以需要归一化，转换到0-1之间。 3.归一化是一种简化计算的方式，即将有量纲的表达式，经过变换，化为无量纲的表达式，成为纯量。目的是为了： (1).避免具有不同物理意义和量纲的输入变量不能平等使用 (2).bp中常采用sigmoid函数作为转移函数，归一化能够防止净输入绝对值过大引起的神经元输出饱和现象 (3).保证输出数据中数值小的不被吞食 3.神经网络中归一化的原因 归一化是为了加快训练网络的收敛性，可以不进行归一化处理 归一化的具体作用是归纳统一样本的统计分布性。归一化在0-1之间是统计的概率分布，归一化在-1--+1之间是统计的坐标分布。归一化有同一、统一和合一的意思。无论是为了建模还是为了计算，首先基本度量单位要同一，神经网络是以样本在事件中的统计分别几率来进行训练（概率计算）和预测的，归一化是同一在0-1之间的统计概率分布；当所有样本的输入信号都为正值时，与第一隐含层神经元相连的权值只能同时增加或减小，从而导致学习速度很慢。为了避免出现这种情况，加快网络学习速度，可以对输入信号进行归一化，使得所有样本的输入信号其均值接近于0或与其均方差相比很小。 归一化是因为sigmoid函数的取值是0到1之间的，网络最后一个节点的输出也是如此，所以经常要对样本的输出归一化处理。所以这样做分类的问题时用[0.9 0.1 0.1]就要比用[1 0 0]要好。 但是归一化处理并不总是合适的，根据输出值的分布情况，标准化等其它统计变换方法有时可能更好。 二、如何归一化 matlab中的归一化处理有三种方法 1. premnmx、postmnmx、tramnmx 2. restd、poststd、trastd 3. 自己编程 (1)线性函数转换，表达式如下： y=(x-MinValue)/(MaxValue-MinValue) 说明：x、y分别为转换前、后的值，MaxValue、MinValue分别为样本的最大值和最小值。 (2)对数函数转换，表达式如下： y=log10(x)
《系统仿真实验》 实 验 报 告
目录 一《电路》仿真实例 (3) 2.1 简单电路问题 (3) 2.1.1 Simulink中仿真 (3) 2.1.2 Multisim中仿真 (4) 2.2 三相电路相关问题 (5) 二《自动控制原理》仿真实例 (7) 1.1 Matlab绘图 (7) 三《数字电路》仿真实例 (8) 3.1 555定时器验证 (8) 3.2 设计乘法器 (9) 四实验总结 (11)
一《电路》仿真实例 2.1 简单电路问题 课后题【2-11】如图所示电路，R0=R1=R3=4Ω，R2=2Ω,R4=R5=10Ω,直流电压源电压分别为10V、4V、6V，直流电流源电流大小为1A，求R5所在的支路的电流I。（Page49） 解：simulink和multisim都是功能很强大的仿真软件，下面就以这个简单的习题为例用这个两个软件分别仿真，进一步说明前者和后者的区别。 2.1.1 Simulink中仿真 注意事项：由于simulink中并没有直接提供DC current source，只有AC current source，开始的时候我只是简单的把频率调到了0以为这就是直流电流源了，但是并没有得到正确的仿真结果。后来问杨老师，
在老师的帮助下发现AC current source的窗口Help中明确的说明了交流变直流的方法：A zero frequency and a 90 degree phase specify a DC current source.然后我把相角改成90度后终于得到了正确的仿真结果，Display显示I=0.125A，与课本上答案一致。 2.1.2 Multisim中仿真
关于神经网络（matlab）归一化的整理 关于神经网络归一化方法的整理 由于采集的各数据单位不一致，因而须对数据进行[-1，1]归一化处理，归一化方法主要有如下几种，供大家参考：（by james） 1、线性函数转换，表达式如下： y=(x-MinValue)/(MaxValue-MinValue) 说明：x、y分别为转换前、后的值，MaxValue、MinValue分别为样本的最大值和最小值。 2、对数函数转换，表达式如下： y=log10(x) 说明：以10为底的对数函数转换。 3、反余切函数转换，表达式如下： y=atan(x)*2/PI 归一化是为了加快训练网络的收敛性，可以不进行归一化处理 归一化的具体作用是归纳统一样本的统计分布性。归一化在0-1之间是统计的概率分布，归一化在-1--+1之间是统计的坐标分布。归一化有同一、统一和合一的意思。无论是为了建模还是为了计算，首先基本度量单位要同一，神经网络是以样本在事件中的统计分别几率来进行训练（概率计算）和预测的，归一化是同一在0-1之间的统计概率分布； 当所有样本的输入信号都为正值时，与第一隐含层神经元相连的权值只能同时增加或减小，从而导致学习速度很慢。为了避免出现这种情况，加快网络学习速度，可以对输入信号进行归一化，使得所有样本的输入信号其均值接近于0或与其均方差相比很小。 归一化是因为sigmoid函数的取值是0到1之间的，网络最后一个节点的输出也是如此，所以经常要对样本的输出归一化处理。所以这样做分类的问题时用[0.9 0.1 0.1]就要比用[1 0 0]要好。 但是归一化处理并不总是合适的，根据输出值的分布情况，标准化等其它统计变换方法有时可能更好。 关于用premnmx语句进行归一化： premnmx语句的语法格式是：[Pn,minp,maxp,Tn,mint,maxt]=premnmx(P,T) 其中P，T分别为原始输入和输出数据，minp和maxp分别为P中的最小值和最大值。mint 和maxt分别为T的最小值和最大值。 premnmx函数用于将网络的输入数据或输出数据进行归一化，归一化后的数据将分布在[-1,1]区间内。 我们在训练网络时如果所用的是经过归一化的样本数据，那么以后使用网络时所用的新数据也应该和样本数据接受相同的预处理，这就要用到tramnmx。 下面介绍tramnmx函数： [Pn]=tramnmx(P,minp,maxp) 其中P和Pn分别为变换前、后的输入数据，maxp和minp分别为premnmx函数找到的最大值和最小值。 （by terry2008） matlab中的归一化处理有三种方法 1. premnmx、postmnmx、tramnmx 2. restd、poststd、trastd 3. 自己编程 具体用那种方法就和你的具体问题有关了
竭诚为您提供优质文档/双击可除simulink仿真实验心得体会 篇一：matlab与simulink仿真学习心得 matlab与simulink仿真学习心得 班级：07610学号：0720xx姓名：吕天雄 一matlab学习心得体会与编程实践 学习matlab的心得体会 真正开始接触matlab是大二上就开始了，到现在已经一年多了，在此之间，matlab的确为我提供了很多便利。matlab的确不愧成为是草稿纸上的语言。我们不必去为很简单的显示效果图形去找一些什么其他软件或者研究比较复杂的计算机图形学，一个plot或者别的函数往往就可以得到很满意的效果。 其实最初开始学习matlab的时候感觉这个东西和c没什么两样，但是后来具体到一些东西，比如信号处理和数学建模上以后才感觉到使用matlab编写程序去验证结果比c 要节省很多时间，而且matlab写东西基本都是按照自己的思路平铺直叙很少去考虑什么函数的嵌套调用或者指针等等很头疼的东西。
关于matlab的学习，我感觉其实百度和matlab自带的help基本能够解决绝大数问题，而且一些比较好的论坛比如都会为你产生很大的帮助，关键是在于多动手实践，多思考。但是matlab毕竟只是一个工具，原理和一些基本的编程素 质还是必须有的，否则matlab最多也只能是验证一些别人 的东西而已，根本帮不上什么忙的。 遇到的一些问题的思考方式与解决办法 最开始用matlab的时候是在大物实验，实验要求去根 据测量得到的数据作出图。但是手动用铅笔去画确实很麻烦，所以用matlab确实可以省去很大的麻烦。但是第一次遇到 问的时候是有关极化坐标下的曲线拟合。 首先是一个物理实验的问题；在做一个关于光的偏振的实验的时候，最后的结果要在一个极化坐标下显示出来；因为数据是离散的，所以显示出来的图像是一个折来折去的一个东东；然后很自然的想法是对这个曲线进行插值处理。 但是极化坐标下matlab并未提供插值处理的函数，interp1这个函数只能在笛卡尔坐标系，也就是直角坐标系 下使用。 然后就想到把极坐标的数据转换的直角坐标系下， pol2cart可以实现这个想法，但是随后而来，也就是最后导致整个问题失败的关键也在这里。 pol2cart以后产生的一串数据中出现了重复的数据，那
实验四 SIMULINK仿真模型的建立及仿真（一） 一、实验目的： 1、熟悉SIMULINK模型文件的操作。 2、熟悉SIMULINK建模的有关库及示波器的使用。 3、熟悉Simulink仿真模型的建立。 4、掌握用不同的输入、不同的算法、不同的仿真时间的系统仿真。 二、实验内容： 1、设计SIMULINK仿真模型。 2、建立SIMULINK结构图仿真模型。 3、了解各模块参数的设定。 4、了解示波器的使用方法。 5、了解参数、算法、仿真时间的设定方法。 例7.1-1 已知质量m=1kg，阻尼b=2N.s/m。弹簧系数k=100N/m，且质量块的初始位移x(0)=0.05m，其初始速度x’(0)=0m/s，要求创建该系统的SIMULINK 模型，并进行仿真运行。 步骤： 1、打开SIMULINK模块库，在MATLAB工作界面的工具条单击SIMULINK图标，或在MATLAB指令窗口中运行simulink，就可引出如图一所示的SIMULINK模块浏览器。 图一：SIMULINK模块浏览器
2、新建模型窗，单击SIMULINK模块库浏览器工具条山的新建图标，引出如图二所示的空白模型窗。 图二：已经复制进库模块的新建模型窗 3、从模块库复制所需模块到新建模型窗，分别在模块子库中找到所需模块，然后拖进空白模型窗中，如图二。 4、新建模型窗中的模型再复制：按住Ctrl键，用鼠标“点亮并拖拉”积分模块到适当位置，便完成了积分模块的再复制。 5、模块间信号线的连接，使光标靠近模块输出口；待光标变为“单线十字叉”时，按下鼠标左键；移动十字叉，拖出一根“虚连线”；光标与另一个模块输入口靠近到一定程度，单十字变为双十字；放开鼠标左键，“虚连线”变变为带箭头的信号连线。如图三所示：
一．如何清晰的保存simulink仿真图 在做Simulink仿真时，使用的Scope波形显示模块实际上也是一种Figure窗口，不过Matlab 把Scope的菜单栏隐藏起来，只提供了几个有限的参数设置。如果需要对Scope中的图加上坐标、更改界面背景色等，没有菜单栏就基本上无从下手了。 可以在打开你的mdl文件之后，在Matlab的命令行输入以下指令来恢复显示Scope的Figure 菜单栏： >> set(0,'ShowHiddenHandles','on'); >> set(gcf,'menubar','figure'); 这样Scope窗口就如下所示： 然后点击菜单栏的Edit ，可以选择 Copy Figure 来保持波形图，也可以选 择Figure Properties 来调整Scope 的 各种图形属性，包括添加xlabel、ylabel、 title，更改背景颜色，调整波形曲线的 线型、粗细等等：
二．Simulink利用Scope输出及绘制仿真波形技巧在用Simulink做仿真时，我们经常会用到示波器Scope来观察波形，它可以对波形进行局部放大、按横、纵座标放大，非常方便，但是如果我们要保存波形时，就最好别直接拷贝Scope波形了，因为它的背景是黑的，而且不能进行线形修改和标注，不适合作为文档用图。 一般的做法是将数据输出到工作空间，然后用画图指令Plot画图。输出到工作空间的方法一般有这么几种： 1．添加To Workspace模块； 2．添加out模块； 3．直接用Scope输出。 本人比较懒，一般不再添加其他输出模块，直接选用方法3。当然不是说放一个Scope就能数出数据的，需要对Scope进行设置。设置界面如下： 这里最好把Limit data points to last勾掉，因为很有可能你的数据会超过5000个。勾选Save data to Workspace，变量类型可以选结构体，结构体带时间，以及向量（后面我们会分别介绍这几种变量类型的画图方法） 运行Simulink，输出完数据，你就可以利用Matlab的画图工具随心所欲的画图了。 下面以一个例子分别介绍三种变量类型的画图方法。
数据归一化汇总 ============外一篇有关mapminmax的用法详解by faruto================================== 几个要说明的函数接口: [Y,PS]=mapminmax(X) [Y,PS]=mapminmax(X,FP) Y=mapminmax('apply',X,PS) X=mapminmax('reverse',Y,PS) 用实例来讲解,测试数据x1=[124],x2=[523]; >>[y,ps]=mapminmax(x1) y= -1.0000-0.3333 1.0000 ps= name:'mapminmax' xrows:1 xmax:4 xmin:1 xrange:3 yrows:1 ymax:1 ymin:-1
yrange:2 其中y是对进行某种规范化后得到的数据,这种规范化的映射记录在结构体ps中.让我们来看一下这个规范化的映射到底是怎样的? Algorithm It is assumed that X has only finite real values,and that the elements of each row are not all equal. ?y=(ymax-ymin)*(x-xmin)/(xmax-xmin)+ymin; ?[关于此算法的一个问题.算法的假设是每一行的元素都不想相同,那如果都相同怎么办?实现的办法是,如果有一行的元素都相同比 如xt=[111],此时xmax=xmin=1,把此时的变换变为y= ymin,matlab内部就是这么解决的.否则该除以0了,没有意义!] 也就是说对x1=[124]采用这个映射f:2*(x-xmin)/(xmax-xmin)+(-1),就可以得到y=[-1.0000-0.3333 1.0000] 我们来看一下是不是:对于x1而言xmin=1,xmax=4; 则y(1)=2*(1-1)/(4-1)+(-1)=-1; y(2)=2*(2-1)/(4-1)+(-1)=-1/3=-0.3333; y(3)=2*(4-1)/(4-1)+(-1)=1; 看来的确就是这个映射来实现的. 对于上面algorithm中的映射函数其中ymin,和ymax是参数,可以自己设定,默认为-1,1;
一、数据挖掘的目的 数据挖掘(Data Mining)阶段首先要确定挖掘的任务或目的。数据挖掘的目的就是得出隐藏在数据中的有价值的信息。数据挖掘是一门涉及面很广的交叉学科，包括器学习、数理统计、神经网络、数据库、模式识别、粗糙集、模糊数学等相关技术。它也常被称为“知识发现”。知识发现(KDD)被认为是从数据中发现有用知识的整个过程。数据挖掘被认为是KDD过程中的一个特定步骤，它用专门算法从数据中抽取模式(patter，如数据分类、聚类、关联规则发现或序列模式发现等。数据挖掘主要步骤是：数据准备、数据挖掘、结果的解释评估。 二、数据挖掘算法说明 确定了挖掘任务后，就要决定使用什么样的挖掘算法。由于条件属性在各样本的分布特性和所反映的主观特性的不同, 每一个样本对应于真实情况的局部映射。建立了粗糙集理论中样本知识与信息之间的对应表示关系, 给出了由属性约简求约简决策表的方法。基于后离散化策略处理连续属性, 实现离散效率和信息损失之间的动态折衷。提出相对值条件互信息的概念衡量单一样本中各条件属性的相关性, 可以充分利用现有数据处理不完备信息系统。 本次数据挖掘的方法是两种，一是找到若干条特殊样本，而是找出若干条特殊条件属性。最后利用这些样本和属性找出关联规则。（第四部分详细讲解样本和属性的选择） 三数据预处理过程 数据预处理一般包括消除噪声、推导计算缺值数据、消除重复记录、完成数据类型转换(如把连续值数据转换为离散型数据，以便于符号归纳，或是把离散型数据转换为连续)。 本文使用的数据来源是名为“CardiologyCategorical”的excel文件中的“源数据”。该数据表共303行，14个属性。即共有303个样本。将该数据表的前200行设为训练样本，剩下后的103行作为测试样本，用基于粗糙集理论的属性约简的方法生成相应的规则，再利用测试样本对这些规则进行测试。 首先对源数据进行预处理，主要包括字符型数据的转化和数据的归一化。 数据预处理的第一步是整理源数据，为了便于matlab读取数据，把非数字数据转换为离散型数字数据。生成lisanhua.xsl文件。这一部分直接在excel工作表中直接进行。 步骤如下： 将属性“sex”中的“Male”用“1”表示，“Female”用“2”表示； 将属性“chest pain type”中的“Asymptomatic”用“1”表示，“Abnormal Angina”用“2”表示，“Angina”用“3”表示，“NoTang”用“4”表示；
基于Matlａb基本图像处理程序
————————————————————————————————作者：————————————————————————————————日期： ?
图像读入 ●从图形文件中读入图像imread Sｙｎtax：A = imreａｄ（, fｍｔ） ：指定的灰度或彩色图像文件的完整路径和文件名。 fmｔ:指定图形文件的格式所对应的标准扩展名。如果imｒeａｄ没有找到所制定的文件,会尝试查找一个名为的文件。 A:包含图像矩阵的矩阵。对于灰度图像，它是一个M行N列的矩阵。如果文件包含RGB 真彩图像，则是m＊n＊3的矩阵。 ●对于索引图像，格式[X, map］＝ｉmｒead（, fmｔ) X:图像数据矩阵。 MAＰ:颜色索引表 图像的显示 ●iｍｓｈow函数：显示工作区或图像文件中的图像 ●Ｓｙntax： imsｈow（I) %I是要现实的灰度图像矩阵 imshｏw(I,［ｌow hｉgh]，pａｒam1，val1, paｒam2, vａl２,...) %I是要现实的灰度图像矩阵,指定要显示的灰度范围，后面的参数指定显示图像的特定参数 imshｏｗ(RＧB) iｍshow(BＷ) ｉmshｏw(X,map) ％map颜色索引表 imshow（) hiｍagｅ＝iｍｓhｏw(．.．)
●操作:读取并显示图像 I＝ｉmread(＇C:＼Uｓｅｒｓ\ｆaｎjiｎfei\Deｓkｔｏp\ｂaby.bmｐ');%读取图像数据imshｏw(I);%显示原图像 图像增强 一.图像的全局描述 直方图(Hisｔoｇram）：是一种对数据分布情况的图形表示,是一种二维统计图表,它的两个坐标分别是统计样本和该样本对应的某个属性的度量。 图像直方图（Imａge Hiｓtogｒam）：是表示数字图像中亮度分布的直方图,用来描述图象灰度值,标绘了图像中每个亮度值的像素数。 灰度直方图:是灰度级的函数,它表示图像中具有某种灰度级的像素的个数，反映了图像中某种灰度出现的频率。描述了一幅图像的灰度级统计信息。是一个二维图,横坐标为图像中各个像素点的灰度级别,纵坐标表示具有各个灰度级别的像素在图像中出现的次数或概率。 归一化直方图:直接反应不同灰度级出现的比率。纵坐标表示具有各个灰度级别的像素在图像中出现的概率。 图像的灰度直方图：是一个离散函数,表示图像每一灰度级与该灰度级出现概率的对应关系。 图像的灰度直方图运算: iｍhｉｓt（)函数,其横坐标表示像素的灰度级别，纵坐标为像素点的个数。 ●Imhiｓt函数=Diｓplay hiｓｔoｇraｍｏf iｍａge ｄatａ显示灰度直方图的函数 ●Syntax： ①imhisｔ（Ｉ) % I为要计算的灰度直方图图像 ②imhist(Ｉ, n) ％n指定的灰度级的数目,表示所有灰度级均匀分布在n个小区间内。 ③imhiｓt(X, ｍａp) ④[ｃounｔs,x] ＝imhist（.．.）%coｕnｔs直方图数据向量。counts（i)第i个灰度区间中的像素数目。x是保存了对应的灰度小区间的向量。 注意:若调用时不接受这个函数的返回值，则直接显示直方图;在得这些返回数据之后，也可
数据归一化处理 1.我有一个问题不太明白，神经网络在训练时，先对数据进行归一化处理，按照常理训练完之后应该对数据再进行反归一化啊，可是再很多资料上根本就看不出有反归一化这个步骤，而且很多时候训练效果不是很好。请问，哪个大侠能帮帮我啊 2.看一下MATLAB里的premnmx函数和postmnmx函数.它们一个是归一一个是反归一 3.并不是归一化的数据训练效果就好 4.我也遇到过类似的问题,有篇论文就是用postmnmx函数.效果不好可能是样本数据不太准. 5.可以采用标准化PRESTD，效果很好。 6.样本数据和测试数据是否放在一起归一化？ 7.应该将样本数据和测试数据放在一起归一化，不然如果测试数据中有的值比样本数据最大值还大，岂不是超过1了？ 神经网络训练的时候，应该考虑极值情况，即归一化的时候要考虑你所需要识别参数的极值，以极值作分母，这样可能效果更好一点。 8.激发函数如果选用的是倒s型函数，应不存在归一化的问题吧 9.我想问大家一下:在神经网络中,只有一个函数即:purelin这个函数对训练的输出数据不用归一化,而象logsig 和tansig函数都要归一化(如果数据范围不在[-1,1]或[0,1]之间).那既然用purelin函数可以不用归一化,为何又是还用归一化呢? 用神经网络里的PRESTD, PREPCA, POSTMNMX, TRAMNMX等函数归一化和直接用purelin这个函数有什么区别啊? 我作负荷预测时,象不用归一化的效果很好呀! 10.purelin没有作归一化啊,你用logsig 和tansig作为神经元激励函数,输出范围自然限制在[-1,1]或[0,1]之间了 11. 我所知道的关于归一化： 归一化化定义：我是这样认为的，归一化化就是要把你需要处理的数据经过处理后（通过某种算法）限制在你需要的一定范围内。首先归一化是为了后面数据处理的方便，其次是保正程序运行时收敛加快。 在matlab里面，用于归一化的方法共有三中，（1）premnmx、postmnmx、tramnmx（2）prestd、poststd、trastd（3）是用matlab语言自己编程。premnmx指的是归一到[－1 1],prestd归一到单位方差和零均值。（3）关于自己编程一般是归一到[0.1 0.9] 。具体用法见下面实例。 为什么要用归一化？ 为什么要用归一化呢？首先先说一个概念，叫做奇异样本数据，所谓奇异样本数据数据指的是相对于 其他输入样本特别大或特别小的样本矢量。 下面举例： m=[0.11 0.15 0.32 0.45 30; 0.13 0.24 0.27 0.25 45]; 其中的第五列数据相对于其他4列数据就可以成为奇异样本数据（下面所说的网络均值bp）。奇异样本数据存在所引起的网络训练时间增加，并可能引起网络无法收敛，所以对于训练样本存在奇异样本数据的数据集在训练之前，最好先进形归一化，若不存在奇异样本数据，则不需要事先归一化。 具体举例： close all clear echo on clc %BP建模 %原始数据归一化 m_data=[1047.92 1047.83 0.39 0.39 1.0 3500 5075; 1047.83 1047.68 0.39 0.40 1.0 3452 4912;