抛物线法matlab

Matlab中的数据拟合与曲线拟合技巧在科学研究和工程应用中，数据拟合和曲线拟合是常见的任务。

Matlab作为一种强大的数值计算和数据分析工具，提供了丰富的函数和工具箱来进行数据拟合和曲线拟合。

本文将介绍一些常用的数据拟合和曲线拟合技巧，让读者能够更好地利用Matlab来处理自己的数据。

首先，我们来看一下最常用的数据拟合技术之一——多项式拟合。

Matlab提供了polyfit函数来进行多项式拟合。

这个函数接受两个输入参数：x和y，分别为要拟合的数据点的横坐标和纵坐标。

我们可以根据实际需求选择合适的多项式阶数，然后调用polyfit函数，即可得到拟合后的多项式系数。

可以使用polyval函数来根据多项式系数计算拟合后的y值。

这样，我们就可以在Matlab中方便地进行数据拟合和预测了。

除了多项式拟合，Matlab还提供了其他常见的数据拟合方法，如指数拟合、对数拟合和幂函数拟合等。

这些方法在Matlab中的实现也非常简单，大部分都可以通过调用相关函数实现。

对于指数拟合，可以使用fit函数和exp2fit函数来进行拟合。

对于对数拟合，可以使用fit函数和log2fit函数来进行拟合。

对于幂函数拟合，可以使用fit函数和powerfit函数来进行拟合。

这些函数的使用方法大体相同，都需要提供拟合的数据点x和y，然后调用相应的函数即可得到拟合后的结果。

另外，Matlab还提供了一些高级的数据拟合和曲线拟合方法，如非线性最小二乘拟合和样条插值拟合。

非线性最小二乘拟合是一种非常灵活的拟合方法，可以拟合各种非线性函数。

Matlab提供了lsqcurvefit函数来实现非线性最小二乘拟合。

这个函数需要提供一个函数句柄，表示要拟合的函数模型，然后根据拟合的数据点进行拟合。

通过修改函数模型和参数的初始值，可以得到不同的拟合结果。

样条插值拟合是一种光滑曲线的拟合方法，可以更好地拟合离散数据点。

Matlab提供了spline函数来进行样条插值拟合。

实验一特殊函数与图形一、问题背景与实验目的二、相关函数（命令）及简介三、实验内容四、自己动手一、问题背景与实验目的著名的Riemann函数大家都很熟悉了，但是关于它的图像你是否清楚呢除了最上面那几点，其他都很难画吧你想不想看看下面那些“挤在一起”的点是怎样分布的呢还有几何中的马鞍面、单叶双曲面等是怎样由直线生成的，是不是也想目睹一下呢这些，都离不开绘图．实际上绘图一直是数学中的一种重要手段，借助图形，往往可以化繁为简，使抽象的对象得到明白直观的体现．比如函数的基本性质，一个图形常可以使之一目了然，非常有效．它虽不能代替严格的分析与证明，但在问题的研究过程中，可以帮助研究人员节约相当一部分精力．此外，它还可以使计算、证明、建模等的结果得到更明白易懂的表现，有时，这比科学论证更有说服力．同时，数学的教学与学习过程也离不开绘图．借助直观的图形，常可以使初学者更容易接受新知识．如数学分析中有不少函数，其解析式着实让人望而生畏，即使对其性质作了详尽的分析，还是感到难明就里；但如果能看到它的图形，再配合理论分析，则问题可以迎刃而解．又如在几何的学习中，会遇到大量的曲线与曲面，也离不开图形的配合．传统的手工作图，往往费力耗时，效果也不尽理想．计算机恰恰弥补了这个不足，使你可以方便地指定各种视角、比例、明暗，从各个角度进行观察．本实验通过对函数的图形表示和几个曲面（线）图形的介绍，一方面展示它们的特点，另一方面，也将就Matlab软件的作图功能作一个简单介绍．大家将会看到，Matlab 的作图功能非常强大．二、相关函数（命令）及简介1．平面作图函数：plot，其基本调用形式：plot(x,y,s)以x作为横坐标，y作为纵坐标．s是图形显示属性的设置选项．例如：x=-pi:pi/10:pi;y=sin(x);plot(x,y,'--rh','linewidth',2,'markeredgecolor','b','markerfacecolor','g')图1在使用函数plot时，应当注意到当两个输入量同为向量时，向量x与y必须维数相同，而且必须同是行向量或者同是列向量．绘图时，可以制定标记的颜色和大小，也可以用图形属性制定其他线条特征，这些属性包括：linewidth 指定线条的粗细．markeredgecolor 指定标记的边缘色markerfacecolor 指定标记表面的颜色．markersize 指定标记的大小．若在一个坐标系中画几个函数，则plot的调用格式如下：plot(x1,y1,s1,x2,y2,s2,……)2．空间曲线作图函数：plot3，它与plot相比，只是多了一个维数而已．其调用格式如下：plot3(x,y,z,s)．例如：x=0:pi/30:20*pi;y=sin(x);z=cos(x);plot3(x,y,z)得到三维螺旋线：图23．空间曲面作图函数：（1）mesh函数．绘制彩色网格面图形．调用格式：mesh(z)，mesh(x,y,z)和mesh(x,y,z,c)．其中，mesh(x,y,z,c)画出颜色由c指定的三维网格图．若x、y均为向量，则length(x)=n，length(y)=m，[m,n]=size(z)．（2）surf在矩形区域内显示三维带阴影曲面图．调用格式与mesh类似．（3）ezmesh用符号函数作三维曲面网格图．调用格式：ezmesh(x,y,z)其中x = x(s,t), y = y(s,t),z = z(s,t)．画图区域默认为： -2*pi < s < 2*pi 且-2*pi < t < 2*pi.或者用格式：ezmesh(x,y,z,[smin,smax,tmin,tmax])（4）ezsurf用符号函数作三维曲面图．调用格式与ezmesh类似．（5）sphere画球体命令．4．meshgrid，调用格式：[x,y]=meshgrid(m,n)，这里的m，n为给定的向量，可以定义网格划分区域和划分方法．矩阵x和矩阵y是网格划分后的数据矩阵．5．图像的修饰与其他函数：（1）axis equal 控制各个坐标轴的分度，使其相等；（2）colormap设置绘图颜色．调用格式：colormap([r g b])其中r,g,b都是0-1之间的数．或者用格式：colormap(s)s颜色映像相应的颜色系颜色映像相应的颜色系autumn红黄色系hsv色调饱和色系gray线性灰色系hot黑红黄白色系cool青和洋红色系pink柔和色系（3（4）find找出符合条件的元素在数组中的位置．调用格式：y=find(条件)例如：输入：a=[4 5 78 121 4 665 225 4 1];b=find(a>7)输出： b =3 4 6 7三、实验内容数学分析中，特别是积分部分，我们接触了不少有趣的函数，由于其中有的不是一一对应的，用上面的方法无法画出它们的图像，这时就只能用参数了．此外还有些图形只能用参数来画，比如空间曲线，在计算机上不接受“两个曲面的交线”这种表示，所以也只能用参数来实现．用参数方式作图的关键在于找出合适的参数表示，尤其是不能有奇点，最好也不要用到开方．所以要找的参数最好是有几何意义的．当然这也不可一概而论，需要多积累经验．1．利用函数plot在一个坐标系中画以下几个函数图像，要求采用不同颜色、不同线形、不同的符号标记．函数为：．程序如下：t=0:pi/20:2*pi;x=sin(t);y=cos(t);z=sin(2*t);plot(t, x, '--k*', t, y, '-rs', t, z, ':bo')图像如下：图32．绘制类似田螺线的一条三维螺线(方程自己设计)．程序如下：t=0:.1:30;x=2*(cos(t)+t.*sin(t));y=2*(sin(t)-t.*cos(t));z=*t;plot3(x,y,-z) %取–z 主要是为了画图看起来更清楚axis equal图像如下：图43．利用函数，绘制一个墨西哥帽子的图形．程序如下：[a,b]=meshgrid(-8:.5:8); %先生成一个网格c=sqrt(a.^2+b.^2)+eps;z=sin(c)./c;mesh(a,b,z)axis square图像如下：图5思考：这里的 eps 是什么其作用是什么4．利用surf绘制马鞍面图形（函数为：）．程序如下：[x,y]=meshgrid(-25:1:25,-25:1:25);z=x.^2/9-y.^2/4;surf(x,y,z)title('马鞍面')grid off图像如下：图65．分别用ezmesh和ezsurf各绘制一个圆环面，尝试将两个圆环面放在一个图形界面内，观察它们有什么不同之处．提示：圆环面的方程为：，而圆环面的参数方程为：程序参见附录1．图像如下：图76．绘制黎曼函数图形，加深对黎曼函数的理解．说明：黎曼函数的定义为程序参见附录2．图像如下：图8四、自己动手1．作出下图所示的三维图形：图9提示：图形为圆环面和球面的组合.2．作出下图所示的墨西哥帽子及其剪裁图形：图103．画出球面、椭球面、双叶双曲面、单叶双曲面．4．若要求田螺线的一条轴截面的曲边是一条抛物线：时．试重新设计田螺线的参数方程，并画出该田螺线．5．作出下图所示的马鞍面（颜色为灰色，并有一个标题：“马鞍面”）：图116．绘制图8所示的黎曼函数图形，要求分母的最大值的数值由键盘输入（提示：使用input语句）．回目录下一页实验二定积分的近似计算一、问题背景与实验目的二、相关函数（命令）及简介三、实验内容1．矩形法2．梯形法3．抛物线法4. 直接应用Matlab命令计算结果四、自己动手一、问题背景与实验目的利用牛顿—莱布尼兹公式虽然可以精确地计算定积分的值，但它仅适用于被积函数的原函数能用初等函数表达出来的情形．如果这点办不到或者不容易办到，这就有必要考虑近似计算的方法．在定积分的很多应用问题中，被积函数甚至没有解析表达式，可能只是一条实验记录曲线，或者是一组离散的采样值，这时只能应用近似方法去计算相应的定积分．本实验将主要研究定积分的三种近似计算算法：矩形法、梯形法、抛物线法．对于定积分的近似数值计算，Matlab有专门函数可用．二、相关函数（命令）及简介1．sum(a)：求数组a的和．2．format long：长格式，即屏幕显示15位有效数字．（注：由于本实验要比较近似解法和精确求解间的误差，需要更高的精度）．3．double()：若输入的是字符则转化为相应的ASCII码；若输入的是整型数值则转化为相应的实型数值．4．quad()：抛物线法求数值积分．格式： quad(fun,a,b) ，注意此处的fun是函数，并且为数值形式的，所以使用*、/、^等运算时要在其前加上小数点，即 .*、./、.^等．例：Q = quad('1./(x.^3-2*x-5)',0,2);5．trapz()：梯形法求数值积分．格式：trapz(x,y)其中x为带有步长的积分区间；y为数值形式的运算（相当于上面介绍的函数fun）例：计算x=0:pi/100:pi;y=sin(x);trapz(x,y)6．dblquad()：抛物线法求二重数值积分．格式：dblquad(fun,xmin,xmax,ymin,ymax)，fun可以用inline定义，也可以通过某个函数文件的句柄传递．例1：Q1 = dblquad(inline('y*sin(x)'), pi, 2*pi, 0, pi)顺便计算下面的Q2，通过计算，比较Q1 与Q2结果（或加上手工验算），找出积分变量x、y的上下限的函数代入方法．Q2 = dblquad(inline('y*sin(x)'), 0, pi, pi, 2*pi)例2：Q3 = dblquad(@integrnd, pi, 2*pi, 0, pi)这时必须存在一个函数文件：function z = integrnd(x, y)z = y*sin(x);7．fprintf（文件地址，格式，写入的变量）：把数据写入指定文件．例：x = 0:.1:1;y = [x; exp(x)];fid = fopen('','w'); %打开文件fprintf(fid,'% %\n',y); %写入fclose(fid) %关闭文件8．syms 变量1 变量2 …：定义变量为符号．9．sym('表达式')：将表达式定义为符号．解释：Matlab中的符号运算事实上是借用了Maple的软件包，所以当在Matlab中要对符号进行运算时，必须先把要用到的变量定义为符号．10．int(f,v,a,b)：求f关于v积分，积分区间由a到b．11．subs(f，'x'，a)：将 a 的值赋给符号表达式 f 中的 x，并计算出值．若简单地使用subs(f)，则将f的所有符号变量用可能的数值代入，并计算出值．三、实验内容1．矩形法根据定积分的定义，每一个积分和都可以看作是定积分的一个近似值，即在几何意义上，这是用一系列小矩形面积近似小曲边梯形的结果，所以把这个近似计算方法称为矩形法．不过，只有当积分区间被分割得很细时，矩形法才有一定的精确度．针对不同的取法，计算结果会有不同，我们以为例（取），（1）左点法：对等分区间，在区间上取左端点，即取，，理论值，此时计算的相对误差（2）右点法：同（1）中划分区间，在区间上取右端点，即取，，理论值，此时计算的相对误差（3）中点法：同（1）中划分区间，在区间上取中点，即取，，理论值，此时计算的相对误差如果在分割的每个小区间上采用一次或二次多项式来近似代替被积函数，那么可以期望得到比矩形法效果好得多的近似计算公式．下面介绍的梯形法和抛物线法就是这一指导思想的产物．2．梯形法等分区间，相应函数值为（）．曲线上相应的点为（）将曲线的每一段弧用过点，的弦（线性函数）来代替，这使得每个上的曲边梯形成为真正的梯形，其面积为，．于是各个小梯形面积之和就是曲边梯形面积的近似值，，即，称此式为梯形公式．仍用的近似计算为例，取，，理论值，此时计算的相对误差很显然，这个误差要比简单的矩形左点法和右点法的计算误差小得多．3．抛物线法由梯形法求近似值，当为凹曲线时，它就偏小；当为凸曲线时，它就偏大．若每段改用与它凸性相接近的抛物线来近似时，就可减少上述缺点，这就是抛物线法．将积分区间作等分，分点依次为，，对应函数值为（），曲线上相应点为（）．现把区间上的曲线段用通过三点，，的抛物线来近似代替，然后求函数从到的定积分：由于，代入上式整理后得同样也有……将这个积分相加即得原来所要计算的定积分的近似值：，即这就是抛物线法公式，也称为辛卜生（Simpson）公式．仍用的近似计算为例，取，=，理论值，此时计算的相对误差4. 直接应用Matlab命令计算结果（1）数值计算方法1：int('1/(1+x^2)','x',0,1) (符号求积分)方法2：quad('1./(1+x.^2)',0,1) （抛物线法求数值积分）方法3：x=0::1;y=1./(1+x.^2);trapz(x,y) （梯形法求数值积分）（2）数值计算方法1：int(int('x+y^2','y',-1,1),'x',0,2) （符号求积分）方法2：dblquad(inline('x+y^2'),0,2,-1,1) （抛物线法二重数值积分）四、自己动手1．实现实验内容中的例子，即分别采用矩形法、梯形法、抛物线法计算，取，并比较三种方法的精确程度．2．分别用梯形法与抛物线法，计算，取．并尝试直接使用函数trapz()、quad()进行计算求解，比较结果的差异．3．试计算定积分．（注意：可以运用trapz()、quad()或附录程序求解吗为什么）4．将的近似计算结果与Matlab中各命令的计算结果相比较，试猜测Matlab中的数值积分命令最可能采用了哪一种近似计算方法并找出其他例子支持你的观点．5．通过整个实验内容及练习，你能否作出一些理论上的小结，即针对什么类型的函数（具有某种单调特性或凹凸特性），用某种近似计算方法所得结果更接近于实际值6．学习的程序设计方法，尝试用函数 sum 改写附录1和附录3的程序，避免for 循环．上一页回目录下一页实验三求代数方程的近似根（解）一、问题背景和实验目的二、相关函数（命令）及简介三、实验内容四、自己动手一、问题背景和实验目的求代数方程的根是最常见的数学问题之一（这里称为代数方程，主要是想和后面的微分方程区别开．为简明起见，在本实验的以下叙述中，把代数方程简称为方程），当是一次多项式时，称为线性方程，否则称之为非线性方程．当是非线性方程时，由于的多样性，尚无一般的解析解法可使用，但如果对任意的精度要求，能求出方程的近似根，则可以认为求根的计算问题已经解决，至少能满足实际要求．本实验介绍一些求方程实根的近似值的有效方法，要求在使用这些方法前先确定求根区间，或给出某根的近似值．在实际问题抽象出的数学模型中，可以根据物理背景确定；也可根据的草图等方法确定，还可用对分法、迭代法以及牛顿切线法大致确定根的分布情况．通过本实验希望你能：1. 了解对分法、迭代法、牛顿切线法求方程近似根的基本过程；2. 求代数方程（组）的解．二、相关函数（命令）及简介1．abs( )：求绝对值函数．2．diff(f)：对独立变量求微分，f 为符号表达式．diff(f, 'a')：对变量a求微分，f 为符号表达式．diff(f, 'a', n)：对变量 a 求 n 次微分，f 为符号表达式．例如：syms x tdiff(sin(x^2)*t^6, 't', 6)ans=720*sin(x^2)3．roots([c(1), c(2), …, c(n+1)])：求解多项式的所有根．例如：求解：．p = [1 -6 -72 -27];r = roots(p)r =4．solve('表达式')：求表达式的解．solve('2*sin(x)=1')ans =1/6*pi5．linsolve(A, b)：求线性方程组 A*x=b 的解．例如：A= [9 0; -1 8]; b=[1; 2];linsolve(A, b)ans=[ 1/9][19/72]6．fzero(fun, x0)：在x0附近求fun 的解．其中fun为一个定义的函数，用“@函数名”方式进行调用．例如：fzero(@sin, 3)ans=7．subs(f, 'x ', a)：将 a 的值赋给符号表达式 f 中的 x，并计算出值．例如：subs('x^2 ', 'x ', 2)ans = 4三、实验内容首先，我们介绍几种与求根有关的方法：1．对分法对分法思想：将区域不断对分，判断根在某个分段内，再对该段对分，依此类推，直到满足精度为止．对分法适用于求有根区间内的单实根或奇重实根．设在上连续，，即，或，．则根据连续函数的介值定理，在内至少存在一点，使．下面的方法可以求出该根：(1)令，计算；(2)若，则是的根，停止计算，输出结果．若，则令，，若，则令，；．……，有、以及相应的．(3) 若 (为预先给定的精度要求)，退出计算，输出结果；反之，返回(1)，重复(1)，(2)，(3)．以上方法可得到每次缩小一半的区间序列，在中含有方程的根．当区间长很小时，取其中点为根的近似值，显然有以上公式可用于估计对分次数．分析以上过程不难知道，对分法的收敛速度与公比为的等比级数相同．由于，可知大约对分10次，近似根的精度可提高三位小数．对分法的收敛速度较慢，它常用来试探实根的分布区间，或求根的近似值．2. 迭代法1)迭代法的基本思想：由方程构造一个等价方程从某个近似根出发，令，可得序列，这种方法称为迭代法．若收敛，即，只要连续，有即可知，的极限是的根，也就是的根．当然，若发散，迭代法就失败．以下给出迭代过程收敛的一些判别方法：定义：如果根的某个邻域中，使对任意的，迭代过程，收敛，则称迭代过程在附近局部收敛．定理1：设，在的某个邻域内连续，并且，，则对任何，由迭代决定的序列收敛于．定理2：条件同定理 1，则定理3：已知方程，且(1) 对任意的，有．(2) 对任意的，有，则对任意的，迭代生成的序列收敛于的根，且．以上给出的收敛定理中的条件要严格验证都较困难，实用时常用以下不严格的标准：当根区间较小，且对某一，明显小于1时，则迭代收敛(参见附录3)．2) 迭代法的加速：a) 松弛法：若与同是的近似值，则是两个近似值的加权平均，其中称为权重，现通过确定看能否得到加速．迭代方程是：其中，令，试确定：当时，有，即当，时，可望获得较好的加速效果，于是有松弛法：，松弛法的加速效果是明显的 (见附录4)，甚至不收敛的迭代函数经加速后也能获得收敛．b) Altken方法：松弛法要先计算，在使用中有时不方便，为此发展出以下的 Altken 公式：，是它的根，是其近似根．设，，因为，用差商近似代替，有，解出，得由此得出公式；；，这就是Altken 公式，它的加速效果也是十分明显的，它同样可使不收敛的迭代格式获得收敛(见附录5)．3. 牛顿(Newton)法（牛顿切线法）1) 牛顿法的基本思想：是非线性方程，一般较难解决，多采用线性化方法．记：是一次多项式，用作为的近似方程．的解为记为，一般地，记即为牛顿法公式.2) 牛顿法的收敛速度：对牛顿法，迭代形式为：注意分子上的，所以当时，，牛顿法至少是二阶收敛的，而在重根附近，牛顿法是线性收敛的．牛顿法的缺点是：(1)对重根收敛很慢；(2)对初值要求较严，要求相当接近真值．因此，常用其他方法确定初值，再用牛顿法提高精度．4. 求方程根(解)的其它方法(1) solve('x^3-3*x+1=0')(2) roots([1 0 -3 1])(3) fzero('x^3-3*x+1', -2)(4) fzero('x^3-3*x+1',(5) fzero('x^3-3*x+1',(6) linsolve([1, 2, 3; 4, 5, 6; 7, 8, 0], [1, 2, 3]')体会一下，(2)(5) 用了上述 1 3 中的哪一种方法以下是本实验中的几个具体的实验，详细的程序清单参见附录．具体实验1：对分法先作图观察方程：的实根的分布区间，再利用对分法在这些区间上分别求出根的近似值．输入以下命令，可得的图象：f='x^3-3*x+1';g='0';ezplot(f, [-4, 4]);hold on;ezplot(g, [-4, 4]); %目的是画出直线 y=0，即 x 轴grid on;axis([-4 4 -5 5]);hold off请填写下表：实根的分布区间该区间上根的近似值在某区间上求根的近似值的对分法程序参见附录1．具体实验2：普通迭代法采用迭代过程：求方程在附近的根，精确到第 4 位小数．构造等价方程：用迭代公式：，用 Matlab 编写的程序参见附录2．请利用上述程序填写下表：分析：将附录2第4行中的分别改为以及，问运行的结果是什么你能分析得到其中的原因吗看看下面的“具体实验3”是想向你表达一个什么意思．用 Matlab 编写的程序参见附录3．具体实验3：收敛/发散判断设方程的三个根近似地取，和，这些近似值可以用上面的对分法求得．迭代形式一：收敛 (很可能收敛，下同)不收敛 (很可能不收敛，下同)不收敛迭代形式二：收敛不收敛不收敛迭代形式三：不收敛收敛收敛具体实验4：迭代法的加速1——松弛迭代法，，迭代公式为程序参见附录4．具体实验5：迭代法的加速2——Altken迭代法迭代公式为：，，程序参见附录5．具体实验6：牛顿法用牛顿法计算方程在-2到2之间的三个根．提示：，迭代公式：程序参见附录6 （牛顿法程序）．具体实验7：其他方法求下列代数方程（组）的解：（1）命令：solve('x^5-x+1=0')（2）命令：[x, y]=solve('2*x+3*y=0', '4*x^2+3*y=1')(3) 求线性方程组的解，已知，命令：for i=1:5for j=1:5m(i, j)=i+j-1;endendm(5, 5)=0;b=[1:5]'linsolve(m, b)思考：若，或是类似的但阶数更大的稀疏方阵，则应如何得到四、自己动手1．对分法可以用来求偶重根附近的近似解吗为什么2．对照具体实验2、4、5，你可以得出什么结论3．选择适当的迭代过程，分别使用：（1）普通迭代法；（2）与之相应的松弛迭代法和 Altken 迭代法．求解方程在附近的根，精确到4位小数，请注意迭代次数的变化．4．分别用对分法、普通迭代法、松弛迭代法、Altken 迭代法、牛顿切法线等5种方法，求方程的正的近似根，．(建议取．时间许可的话，可进一步考虑的情况．)上一页回目录下一页。

实验三定积分的近似计算一、问题背景与实验目的利用牛顿—莱布尼兹公式虽然可以精确地计算定积分的值，但它仅适用于被积函数的原函数能用初等函数表达出来的情形．如果这点办不到或者不容易办到，这就有必要考虑近似计算的方法．在定积分的很多应用问题中，被积函数甚至没有解析表达式，可能只是一条实验记录曲线，或者是一组离散的采样值，这时只能应用近似方法去计算相应的定积分．本实验将主要研究定积分的三种近似计算算法：矩形法、梯形法、抛物线法．对于定积分的近似数值计算，Matlab有专门函数可用．二、相关函数（命令）及简介1．sum(a)：求数组a的和．2．format long：长格式，即屏幕显示15位有效数字．（注：由于本实验要比较近似解法和精确求解间的误差，需要更高的精度）．3．double()：若输入的是字符则转化为相应的ASCII码；若输入的是整型数值则转化为相应的实型数值．4．quad()：抛物线法求数值积分．格式：quad(fun,a,b) ，注意此处的fun是函数，并且为数值形式的，所以使用*、/、^等运算时要在其前加上小数点，即.*、./、.^等．例：Q = quad('1./(x.^3-2*x-5)',0,2);5．trapz()：梯形法求数值积分．格式：trapz(x,y)其中x为带有步长的积分区间；y为数值形式的运算（相当于上面介绍的函数fun）例：计算0sin()dx xπ⎰x=0:pi/100:pi;y=sin(x);trapz(x,y)6．dblquad()：抛物线法求二重数值积分．格式：dblquad(fun,xmin,xmax,ymin,ymax)，fun可以用inline定义，也可以通过某个函数文件的句柄传递．例1：Q1 = dblquad(inline('y*sin(x)'), pi, 2*pi, 0, pi)顺便计算下面的Q2，通过计算，比较Q1 与Q2结果（或加上手工验算），找出积分变量x、y的上下限的函数代入方法．Q2 = dblquad(inline('y*sin(x)'), 0, pi, pi, 2*pi)例2：Q3 = dblquad(@integrnd, pi, 2*pi, 0, pi)这时必须存在一个函数文件integrnd.m：function z = integrnd(x, y) z = y*sin(x);7．fprintf （文件地址，格式，写入的变量）：把数据写入指定文件．例：x = 0:.1:1; y = [x; exp(x)];fid = fopen('exp.txt','w'); %打开文件 fprintf(fid,'%6.2f %12.8f\n',y); %写入 fclose(fid) %关闭文件 8．syms 变量1 变量2 …：定义变量为符号． 9．sym('表达式')：将表达式定义为符号．解释：Matlab 中的符号运算事实上是借用了Maple 的软件包，所以当在Matlab 中要对符号进行运算时，必须先把要用到的变量定义为符号． 10．int(f,v,a,b)：求f 关于v 积分，积分区间由a 到b ．11．subs(f ，'x'，a)：将 a 的值赋给符号表达式 f 中的 x ，并计算出值．若简单地使用subs(f)，则将f 的所有符号变量用可能的数值代入，并计算出值．三、实验内容1． 矩形法根据定积分的定义，每一个积分和都可以看作是定积分的一个近似值，即1()d ()nbi i ai f x x f x ς==∆∑⎰在几何意义上，这是用一系列小矩形面积近似小曲边梯形的结果，所以把这个近似计算方法称为矩形法．不过，只有当积分区间被分割得很细时，矩形法才有一定的精确度．针对不同i ς的取法，计算结果会有不同，我们以 120d 1xx +⎰为例（取100=n ），（1） 左点法：对等分区间b x i n ab a x x a x n i =<<-+=<<<=ΛΛ10，在区间],[1i i x x -上取左端点，即取1-=i i x ς，12 01d ()1ni i i xf x x ς==∆≈+∑⎰0.78789399673078， 理论值 12 0d 14x x π=+⎰，此时计算的相对误差0.7878939967307840.0031784ππ-=≈（2）右点法：同（1）中划分区间，在区间],[1i i x x -上取右端点，即取i i x =ς，12 01d ()1ni i i xf x x ς==∆≈+∑⎰0.78289399673078， 理论值 12 0d 14x x π=+⎰，此时计算的相对误差 0.7828939967307840.0031884ππ-=≈（3）中点法：同（1）中划分区间，在区间1[,]i i x x -上取中点，即取12i ii x x ς-+=， 12 01d ()1ni i i xf x x ς==∆≈+∑⎰0.78540024673078， 理论值 12 0d 14x x π=+⎰，此时计算的相对误差 60.7854002467307842.653104ππ--=≈⨯如果在分割的每个小区间上采用一次或二次多项式来近似代替被积函数，那么可以期望得到比矩形法效果好得多的近似计算公式．下面介绍的梯形法和抛物线法就是这一指导思想的产物．2． 梯形法等分区间b x i n a b a x x a x n i =<<-+=<<<=ΛΛ10，nab x -=∆ 相应函数值为n y y y ,,,10Λ（n i x f y i i ,,1,0),(Λ==）．曲线)(x f y =上相应的点为n P P P ,,,10Λ（n i y x P i i i ,,1,0),,(Λ==）将曲线的每一段弧i i P P 1-用过点1-i P ，i P 的弦i i P P 1-（线性函数）来代替，这使得每个],[1i i x x -上的曲边梯形成为真正的梯形，其面积为x y y ii ∆⨯+-21，n i ,,2,1Λ=． 于是各个小梯形面积之和就是曲边梯形面积的近似值，11 11()d ()22nnbi i i i ai i y y x f x x x y y --==+∆≈⨯∆=+∑∑⎰， 即11 ()d ()22bn n ay y b a f x x y y n --≈++++⎰L ， 称此式为梯形公式．仍用 12 0d 1x x +⎰的近似计算为例，取100=n ，10112 0d ()122n n y y x b a y y x n --≈++++=+⎰L 0.78539399673078， 理论值 12 0d 14x x π=+⎰，此时计算的相对误差 60.7853939967307845.305104ππ--=≈⨯很显然，这个误差要比简单的矩形左点法和右点法的计算误差小得多．3． 抛物线法由梯形法求近似值，当)(x f y =为凹曲线时，它就偏小；当)(x f y =为凸曲线时，它就偏大．若每段改用与它凸性相接近的抛物线来近似时，就可减少上述缺点，这就是抛物线法．将积分区间],[b a 作n 2等分，分点依次为b x i n a b a x x a x n i =<<-+=<<<=2102ΛΛ，nab x 2-=∆， 对应函数值为n y y y 210,,,Λ（n i x f y i i 2,,1,0),(Λ==），曲线上相应点为n P P P 210,,,Λ（n i y x P i i i 2,,1,0),,(Λ==）．现把区间],[20x x 上的曲线段)(x f y =用通过三点),(000y x P ，),(111y x P ，),(222y x P 的抛物线)(12x p x x y =++=γβα来近似代替，然后求函数)(1x p 从0x 到2x 的定积分：21 ()d x x p x x =⎰22 ()d x x x x x αβγ++=⎰)()(2)(30220223032x x x x x x -+-+-γβα]4)(2)()()[(62022022202002γβαγβαγβα++++++++++-=x x x x x x x x x x 由于2201x x x +=，代入上式整理后得 21 ()d x x p x x ⎰)](4)()[(612122202002γβαγβαγβα++++++++-=x x x x x x x x )4(621002y y y x x ++-=)4(6210y y y nab ++-= 同样也有422 ()d x x p x x ⎰)4(6432y y y n ab ++-=……222 ()d n n x nx p x x -⎰)4(621222n n n y y y nab ++-=-- 将这n 个积分相加即得原来所要计算的定积分的近似值：22222212 11()d ()d (4)6ii nnbx i i i i ax i i b af x x p x x y y y n---==-≈=++∑∑⎰⎰， 即021******* ()d [4()2()]6bn n n ab af x x y y y y y y y y n---≈++++++++⎰L L 这就是抛物线法公式，也称为辛卜生（Simpson ）公式．仍用 12 0d 1x x +⎰的近似计算为例，取100=n ，102132124222 0d [4()2()]16n n n x b ay y y y y y y y x n ---≈+++++++++⎰L L=0.78539816339745，理论值 12 0d 14x x π=+⎰，此时计算的相对误差 160.7853981633974542.827104ππ--=≈⨯4. 直接应用Matlab 命令计算结果（1） 数值计算 120d .1xx +⎰ 方法1：int('1/(1+x^2)','x',0,1) (符号求积分)方法2：quad('1./(1+x.^2)',0,1) （抛物线法求数值积分）方法3：x=0:0.001:1; y=1./(1+x.^2);trapz(x,y) （梯形法求数值积分） （2）数值计算 212 01d d x x y y -+⎰⎰方法1：int(int('x+y^2','y',-1,1),'x',0,2) （符号求积分）方法2：dblquad(inline('x+y^2'),0,2,-1,1) （抛物线法二重数值积分）四、自己动手1． 实现实验内容中的例子，即分别采用矩形法、梯形法、抛物线法计算 120d 1xx +⎰，取258=n ，并比较三种方法的精确程度．2． 分别用梯形法与抛物线法，计算 2 1d xx⎰，取120=n ．并尝试直接使用函数trapz()、quad()进行计算求解，比较结果的差异．3． 试计算定积分 0sin d xx x+∞⎰．（注意：可以运用trapz()、quad()或附录程序求解吗？为什么？）4． 将 120d 1xx +⎰的近似计算结果与Matlab 中各命令的计算结果相比较，试猜测Matlab 中的数值积分命令最可能采用了哪一种近似计算方法？并找出其他例子支持你的观点．5． 通过整个实验内容及练习，你能否作出一些理论上的小结，即针对什么类型的函数（具有某种单调特性或凹凸特性），用某种近似计算方法所得结果更接近于实际值？6． 学习fulu2sum.m 的程序设计方法，尝试用函数 sum 改写附录1和附录3的程序，避免for 循环．五、附录附录1：矩形法（左点法、右点法、中点法）（fulu1.m ） format long n=100;a=0;b=1;inum1=0;inum2=0;inum3=0; syms x fx fx=1/(1+x^2); for i=1:nxj=a+(i-1)*(b-a)/n; %左点 xi=a+i*(b-a)/n; %右点 fxj=subs(fx,'x',xj); %左点值fxi=subs(fx,'x',xi); %右点值fxij=subs(fx,'x',(xi+xj)/2); %中点值inum1=inum1+fxj*(b-a)/n;inum2=inum2+fxi*(b-a)/n;inum3=inum3+fxij*(b-a)/n;endinum1inum2inum3integrate=int(fx,0,1)integrate=double(integrate)fprintf('The relative error between inum1 and real-value is about: %d\n\n',...abs((inum1-integrate)/integrate))fprintf('The relative error between inum2 and real-value is about: %d\n\n',...abs((inum2-integrate)/integrate))fprintf('The relative error between inum3 and real-value is about: %d\n\n',...abs((inum3-integrate)/integrate))附录2：梯形法（fulu2.m）format longn=100;a=0;b=1;inum=0;syms x fxfx=1/(1+x^2);for i=1:nxj=a+(i-1)*(b-a)/n;xi=a+i*(b-a)/n;fxj=subs(fx,'x',xj);fxi=subs(fx,'x',xi);inum=inum+(fxj+fxi)*(b-a)/(2*n);endinumintegrate=int(fx,0,1)integrate=double(integrate)fprintf('The relative error between inum and real-value is about: %d\n\n',...abs((inum-integrate)/integrate))附录2sum：梯形法（fulu2sum.m），利用求和函数，避免for 循环format longn=100;a=0;b=1;syms x fxfx=1/(1+x^2);i=1:n;xj=a+(i-1)*(b-a)/n; %所有左点的数组xi=a+i*(b-a)/n; %所有右点的数组fxj=subs(fx,'x',xj); %所有左点值fxi=subs(fx,'x',xi); %所有右点值f=(fxi+fxj)/2*(b-a)/n; %梯形面积inum=sum(f) %加和梯形面积求解integrate=int(fx,0,1)integrate=double(integrate)fprintf('The relative error between inum and real-value is about: %d\n\n',...abs((inum-integrate)/integrate))附录3：抛物线法（fulu3.m）format longn=100;a=0;b=1;inum=0;syms x fxfx=1/(1+x^2);for i=1:nxj=a+(i-1)*(b-a)/n; %左点xi=a+i*(b-a)/n; %右点xk=(xi+xj)/2; %中点fxj=subs(fx,'x',xj);fxi=subs(fx,'x',xi);fxk=subs(fx,'x',xk);inum=inum+(fxj+4*fxk+fxi)*(b-a)/(6*n);endinumintegrate=int(fx,0,1)integrate=double(integrate)fprintf('The relative error between inum and real-value is about: %d\n\n',...abs((inum-integrate)/integrate))。

matlab解方程组的函数在科学和工程计算中，解方程组是一项非常常见且重要的任务。

方程组是由多个方程组成的集合，其中每个方程都包含有待求解的未知变量。

解方程组的目标是找到一组满足所有方程的未知变量的值。

Matlab是一种功能强大的数值计算软件，它提供了许多用于解方程组的函数。

本文将介绍一些常用的Matlab解方程组函数，并使用实例演示它们的用法。

一、Matlab解方程组的函数概述Matlab提供了多种解方程组的函数，包括直接法和迭代法。

这些函数可以帮助我们高效地求解线性方程组和非线性方程组。

以下是一些常用的Matlab解方程组函数：1.linsolve函数：用于求解线性方程组。

它可以使用直接法（LU分解、Cholesky分解）或迭代法（Jacobi、Gauss-Seidel）来解线性方程组。

2.fsolve函数：用于求解非线性方程组。

它使用迭代法来逐步逼近非线性方程组的解。

3.ode45函数：用于求解常微分方程组。

它使用Runge-Kutta方法来数值求解微分方程组。

4.vpasolve函数：用于求解符号方程组。

它可以求解包含符号未知变量的方程组。

接下来，我们将详细介绍每个函数的用法，并给出相关的实例。

二、linsolve函数2.1 求解线性方程组linsolve函数用于求解线性方程组，语法如下：X = linsolve(A, B)其中，A是系数矩阵，B是常数向量。

函数将返回未知变量的解向量X。

2.2 示例考虑以下线性方程组：2x + 3y = 74x - 5y = 2我们可以使用linsolve函数求解：A = [2, 3; 4, -5];B = [7; 2];X = linsolve(A, B);结果X将包含未知变量x和y的解。

三、fsolve函数3.1 求解非线性方程组fsolve函数用于求解非线性方程组，语法如下：X = fsolve(fun, X0)其中，fun是一个函数句柄，表示非线性方程组的函数，X0是初始解向量。

一、简介二维抛物线型偏微分方程是一类常见的偏微分方程，在科学与工程领域有着重要的应用。

利用Matlab求解二维抛物线型偏微分方程是一种常见的数值求解方法，它可以帮助我们快速地得到方程的数值解，并对问题进行分析和研究。

二、二维抛物线型偏微分方程的一般形式二维抛物线型偏微分方程一般可表示为：∂u/∂t = ∂^2u/∂x^2 + ∂^2u/∂y^2 + f(x, y, t)其中，u是未知函数，f(x, y, t)是给定的函数，代表外力或源项。

这类偏微分方程描述了许多现实世界中的问题，如传热传质、扩散反应等。

三、使用Matlab求解二维抛物线型偏微分方程的基本步骤1. 网格划分：将求解区域进行离散化，构建网格。

2. 离散化方程：将偏微分方程进行差分处理，得到一个离散的代数方程组。

3. 求解代数方程组：利用Matlab中的求解器求解得到问题的数值解。

4. 后处理：对数值解进行可视化和分析，得出结论并进行讨论。

四、具体例子考虑二维热传导方程：∂u/∂t = α(∂^2u/∂x^2 + ∂^2u/∂y^2)其中，α是热传导系数。

假设我们要求解一个长方形区域上的热传导问题，边界条件已知，初值条件也已给出。

我们可以利用Matlab 进行数值求解。

五、Matlab代码示例下面是一个简单的Matlab代码示例，用于求解二维热传导方程：定义问题的基本参数Lx = 1; 区域长度Ly = 1; 区域宽度Nx = 100; 网格数Ny = 100;dx = Lx / Nx; 网格步长dy = Ly / Ny;alpha = 0.01; 热传导系数dt = 0.001; 时间步长Nt = 1000; 时间步数初始化温度场u = zeros(Nx, Ny);设置边界条件和初值条件...用有限差分方法离散化方程for n = 1:Nt计算下一个时间步的温度场...end可视化结果...后处理...六、结论利用Matlab求解二维抛物线型偏微分方程是一种高效、便捷的数值方法，能够帮助我们快速地得到问题的数值解，并对问题进行分析和研究。

matlab反解方程标题：使用MATLAB反解方程的实用方法引言：在科学研究和工程应用中，解决非线性方程组是一个常见的问题。

尽管有许多数值方法可以用于求解这些方程，但MATLAB作为一种强大的计算工具，提供了一种更加直观和便捷的方式来反解方程。

本文将介绍如何使用MATLAB来反解方程，并提供一些实用的方法和技巧。

一、MATLAB基础知识在使用MATLAB反解方程之前，我们需要了解一些基础知识。

MATLAB是一种高级编程语言和数值计算环境，它具有强大的数值计算和图形处理能力。

我们可以使用MATLAB来进行数值计算、矩阵运算、符号计算、绘图等操作。

二、使用MATLAB反解方程的步骤1. 定义方程：首先，我们需要将要反解的方程用MATLAB的语法进行定义。

例如，我们要反解方程 f(x) = 0，可以使用MATLAB的符号计算工具箱来定义这个方程。

2. 求解方程：接下来，我们可以使用MATLAB提供的数值计算工具箱来求解方程。

MATLAB提供了许多求解非线性方程的函数，例如fzero、fsolve等。

这些函数可以帮助我们找到方程的根。

3. 分析结果：在求解方程之后，我们可以使用MATLAB的绘图和数据分析工具来分析结果。

例如，我们可以绘制方程的图像，或者计算方程的根的性质。

三、MATLAB反解方程的实例为了更好地理解如何使用MATLAB反解方程，我们将通过一个实例来演示。

假设我们要反解方程x^2 + 2x + 1 = 0。

我们可以使用MATLAB的符号计算工具箱来定义这个方程：syms xeqn = x^2 + 2*x + 1;然后，我们可以使用MATLAB的数值计算工具箱来求解方程：x = solve(eqn, x);我们可以绘制方程的图像来分析结果：fplot(eqn, [-5, 5]);通过MATLAB的求解和绘图功能，我们可以得到方程的根为x = -1。

同时，我们还可以观察到方程的图像是一个开口向上的抛物线。

matlab解方程的函数使用MATLAB解方程的函数MATLAB是一种强大的数学软件，具有许多用于解方程的函数。

这些函数可以帮助我们找到方程的解，并进一步分析和处理解的特性。

本文将介绍一些常用的MATLAB解方程函数，并通过几个例子来说明它们的使用方法。

1. fsolve函数fsolve函数是MATLAB中最常用的解方程函数之一。

它可以用于求解非线性方程组。

该函数的语法如下：x = fsolve(fun,x0)其中，fun是一个函数句柄，表示待求解方程组的函数，x0是一个初始猜测解的向量。

函数返回一个解向量x，它使得fun(x)的值接近于0。

例如，我们要求解方程组：sin(x) + y = 0x + 2*cos(y) = 0可以定义一个函数fun如下：function F = fun(x)F(1) = sin(x(1)) + x(2);F(2) = x(1) + 2*cos(x(2));end然后使用fsolve函数求解：x0 = [1;1];x = fsolve(@fun,x0);2. solve函数solve函数是MATLAB中用于求解代数方程的函数。

它可以用于求解多项式方程、代数方程组等。

该函数的语法如下：x = solve(eqn,var)其中，eqn是一个方程或方程组，var是待求解的变量。

函数返回一个解向量x，它使得方程eqn的值为0。

例如，我们要求解方程：x^2 + 2*x + 1 = 0可以使用solve函数求解：syms xeqn = x^2 + 2*x + 1 == 0;x = solve(eqn,x);3. eig函数eig函数是MATLAB中用于求解特征值和特征向量的函数。

它可以用于求解线性方程组的特征值和特征向量。

该函数的语法如下：[V,D] = eig(A)其中，A是一个矩阵，V是特征向量矩阵，D是特征值矩阵。

函数返回矩阵A的特征值和特征向量。

例如，我们要求解矩阵方程：A * x = lambda * x可以使用eig函数求解：A = [1 2; 3 4];[V,D] = eig(A);4. ode45函数ode45函数是MATLAB中用于求解常微分方程的函数。

matlab的axis用法Matlab中axis的用法一、基本用法1. 在Matlab中，`axis`是一个超级有用的函数哦。

它就像一个魔法棒，可以控制坐标轴的显示范围呢。

比如说，你有一组数据要绘制图形，`axis([xmin xmax ymin ymax])`这种形式就可以指定x轴从`xmin`到`xmax`，y轴从`ymin`到`ymax`的范围。

就像给你的图形穿上了一件合身的衣服，不会让它看起来松松垮垮或者挤成一团。

例如，我绘制一个简单的正弦函数曲线，要是不设置`axis`，可能看起来坐标轴范围很大，曲线小小的。

但是我用`axis([0 2*pi -1 1])`，这下正弦曲线就完美地在这个指定范围内显示啦。

2. `axis`还能用于3D绘图呢。

想象一下你在构建一个3D的世界，`axis([xmin xmax ymin ymax zmin zmax])`就确定了这个3D空间的边界。

这就好比你在搭建一个积木城堡，你得先确定这个城堡在空间中的大小范围，对吧？3. 你要是只想自动调整某一个轴的范围，那也可以哦。

比如你想让x轴自动适应数据范围，y轴自己指定范围，那就可以这样写代码。

这就像你在调整一扇门的开合，你可以只调整一边，另一边保持原样。

二、固定搭配1. `axis equal`是个很棒的搭配。

当你绘制一些几何图形的时候，这个可太重要啦。

比如说你画一个正方形，如果不用`axis equal`，可能看起来就像个长方形。

就好像你本来想画一个规规矩矩的正方形饼干，结果出来个变形的，那多糟糕呀。

一旦用了`axis equal`，x轴和y轴的单位长度就一样了，图形就会按照真实的比例显示。

2. `axis tight`也是很常用的。

这个就像是给你的图形做了一次瘦身。

它会让坐标轴紧紧地贴合数据的范围，不会有多余的空白。

就像你把行李紧紧地打包起来，没有一点浪费的空间。

例如你绘制一些散点图，用了`axis tight`之后，散点就会充满整个绘图区域，看起来紧凑又美观。