jk_101的博客

链接: https://pan.baidu.com/s/1m8sCTkStWi0oMc52pwKrwg。MATLAB2024a下载链接，有需要的可以下载。

可以自定义外部源代码管理工具，以使用 MATLAB® 比较工具执行差异分析和合并。如果要通过源代码管理工具来比较 MATLAB 文件（例如实时脚本、MAT、SLX 或 MDL 文件），则可以对源代码管理工具进行配置以打开 MATLAB 比较工具。MATLAB 比较工具为合并 MathWorks® 文件提供了工具，并且与常用的软件配置管理和版本控制系统兼容。可以将自动合并工具与 Git™ 结合使用，以自动将包含不同子系统中更改的分支合并在同一 SLX 文件中。

padarray函数的功能是填充数组。

【代码】制作日历的MATLAB程序。

solver有变步长(variable-step)和定步长(fixed-step)两种类型，不同类型有着不同的求解器。ode45求解器属于变步长的一种，采用Runge-Kutta算法；ode45表示采用四阶，五阶Runge-Kutta单步算法，截断误差为(△x)3。解决的是Nonstiff(非刚性)的常微分方程，是解决数值解问题的首选方法。若长时间没结果，应该就是刚性的，换用ode23来解。总的来说二者算法相似，只不过ode45比ode23精度要高一些，其他没什么差别。

本文给出了MATLAB的系统辨识工具箱的基础使用方法。值得注意的是，顾名思义，工具箱仅仅只是一个工具，具体的应用场景取决于你的需求，因此对于不同的需求，使用方法和细节也不是完全一致的；同时对于不同的系统，零极点的选择也是不一致的，这取决于你的系统特性，考验的是你对系统的理解和设计方法。OK，只啰嗦这么多。

zticks函数的功能是设置或查询 z 轴刻度值。

注：其他格式的数据暂时还没遇到，后续会及时补充其他的文件格式的数据读取。这条语句进行数据读取。这句指令来进行读取。

本主题介绍将 varargin、varargout、nargin、nargout 与嵌套函数结合使用时的特殊注意事项。 通过 varargin 和 varargout，可以创建接受可变数量的输入或输出参数的函数。虽然 varargin 和 varargout 看上去像函数名称，但它们都是变量，不是函数。这一点很重要，因为嵌套函数与包含它们的函数共享工作区。 如果在声明嵌套函数时未使用 varargin 或 varargout，则嵌套函数内的 varargin 或 varargou

列的方差沿着对角线排列。对于矩阵 A，它的列是由观测值组成的随机变量，其协方差矩阵就是每个列组合之间的成对协方差计算结果。如果 A 和 B 为空数组，则 cov(A,B) 返回 NaN 的 2×2 块。如果 A 和 B 是观测值矩阵，则 cov(A,B) 将 A 和 B 视为向量，并等价于 cov(A(:),B(:))。如果 A 是其列表示随机变量或行表示观测值的矩阵，则 C 为对应的列方差沿着对角线排列的协方差矩阵。如果 A 和 B 是长度相同的观测值向量，则 cov(A,B) 为 2×2 协方差矩阵。

例如，如果 A 是矩阵，则 var(A,0,[1 2]) 返回 A 中所有元素的方差，因为矩阵的每个元素包含在由维度 1 和 2 定义的数组切片中。如果运算维度中的所有元素都是 NaN，则 V 中的对应元素是 NaN。如果 A 是多维数组，则 var(A) 沿大小大于 1 的第一个数组维度计算，并将这些元素视为向量。然后 var(A,0,[1 2]) 返回 1×1×3 数组，其元素是在 A 的每页上计算的方差。当 w 为 0 或 1 时，V = var(A,w,"all") 返回 A 的所有元素的方差。

std函数的功能是得到标准差。

可以通过选择组件，然后在组件浏览器的组件选项卡中编辑组件的属性来自定义其外观。例如，可以从按钮选项卡更改按钮上显示的文本的对齐方式。某些属性可控制组件的行为。例如，可以通过更改Limits属性来更改数值编辑字段接受的值的范围。当 App 运行时，编辑字段只接受该范围内的值。通过双击组件可以直接在画布中编辑某些属性。例如，可以通过双击按钮标签并键入所需的文本来编辑它。要添加多行文本，请按住Shift键，然后按Enter。

可以使用 MATLAB® 来构建可以集成到各种环境中的交互式用户界面。可以构建两种类型的用户界面：App - 基于用户交互执行操作的自包含界面实时编辑器任务 - 可以嵌入实时脚本并在用户探查参数时生成代码的界面构建和共享这些界面的方法以及界面的主文件类型因界面类型而异。下表显示不同之处。直接分发主接口文件和支持文件作为单个文件打包部署为可以在 Web 浏览器中运行的 Web App（需要 MATLAB Compiler™）创建独立的桌面应用程序（需要 MATLAB Compiler）

plotmatrix函数的功能是创建散点图矩阵。

99% 置信度的 RL 和 RU 中的系数边界定义的区间大于 95% 置信度所定义的区间，因为置信度越高，需要的可能相关性值范围越大。对角线元素全部为 1，非对角线元素是每个变量对组的 p 值。由于 A 的第三个列是第二个列的倍数，这两个变量直接相关，因此 R 的 (2,3) 和 (3,2) 元的相关系数为 1。如果 A 和 B 是矩阵或多维数组，则 corrcoef(A,B) 将每个输入转换为其向量表示形式，等效于 corrcoef(A(:),B(:)) 或 corrcoef([A(:) B(:)])。

xcorr函数的功能是返回互相关关系。

dlmwrite函数的功能是将矩阵写入到 ASCII 分隔文件。

创建由钟形曲线之和组成的信号。指定每条曲线的位置、高度和宽度。再次测量宽度，这次在半高处测量。绘制各单条曲线及其总和。在相对高差的一半处测量波峰的宽度。

办公楼内的温度计每半小时测量一次室内温度，持续四个月。加载数据并对其绘图。将温度转换为摄氏度。测量时间以周为单位。因此，采样率为 2 次测量/小时 × 24 小时/天 × 7 天/周 = 336 次测量/周。通常很难通过观察时间测量值来表征数据中的振荡行为。频谱分析有助于确定信号是否为周期性信号并测量不同周期。温度显然有日周期和周周期。结果并不令人惊讶：在人们工作时温度较高，晚上和周末温度较低。温度似乎确实有震荡特性，但周期的长度并不容易确定。此时，看看信号的频率成分。减去均值以重点关注温度波动。

以由办公楼内温度计采集的一组温度数据为例。这是意料之中的，因为大楼内在人们工作时间温度较高，晚上和周末温度较低。周期信号的自相关序列与信号本身具有相同的周期特征。因此，自相关可以帮助验证周期的存在并确定其持续时间。要找到长周期，请将 findpeaks 限制为只寻找间隔时间超过短周期且最小高度为 0.3 的峰值。测量不确定性和噪声有时会导致难以发现信号中的振荡行为，即使该震荡行为是预期存在的。通过找到峰值位置并确定它们之间的平均时间差来确定短周期和长周期。温度似乎确实有震荡特性，但周期的长度并不容易确定。

当 dlmread 函数读取其行以非空格分隔符（例如分号）结尾的数据文件时，它返回矩阵 M，该矩阵包含由零组成的额外最后一列。要指定行和列的偏移量而不指定分隔符，请将空字符用作占位符，例如 M = dlmread(filename,'',2,1)。dlmread 函数从该文件中检测到分隔符，并将重复的空白视为一个分隔符。例如，偏移量 R1=0、C1=0 指定文件中的第一个值。指定空格分隔符、行偏移量 1 和列偏移量 0。使用指定的分隔符读取该文件中的数据，并将重复的分隔符视为单独的分隔符。

可以使用 mscohere 直接求出匹配的频率。找到阈值 0.75 以上的波峰。将两个声音信号加载到工作区中。以 1 kHz 的频率对其进行采样。使用 periodogram 计算其功率频谱，并以彼此相邻的方式对其绘图。每个信号有三个具有显著能量的频率分量。其中有两个分量似乎是共享分量。使用 findpeaks 求出对应的频率。得到的值和以前一样。可以找到两个信号共有的频率成分，而无需分别研究这两个信号。频谱相干性有助于识别频域中信号之间的相似性。大数值表示信号共有的频率分量。

众所周知，太阳活动周期大约为 11 年。使用从零到奈奎斯特频率的频率。文件 spots_num 包含从 1749 年到 2012 年每年观测到的太阳黑子的平均数量。求出最大值及其出现的年份。傅里叶变换确实在预期频率处出现峰值，证实了 11 年的估计值是准确的。还可以通过定位傅里叶变换的最高峰值来求得周期。为了更好地估计周期持续时间，请再次使用 findpeaks，但这次将峰间间隔限制为至少六年。每 50 年大约有五个这样的峰值。使用 findpeaks 函数求出一组数据中局部最大值的值和位置。

uitabgroup 的属性值略有不同，具体取决于该 App 是使用 figure 还是 uifigure 函数创建的。可以创建一个对象，该对象根据父容器的大小重新缩放，方法是将使用 uigridlayout 函数创建的一个网格布局管理器作为该对象的父级。在新脚本中，在 UI 图窗中创建一个具有两个选项卡的选项卡组。它们允许标识选定的选项卡，并检测用户何时选择了不同的选项卡。向该选项卡添加六个 UI 组件，前三个组件位于选项卡的上边框的外部。例如，可以指定选项卡组的位置或选项卡标签的位置。

父容器可以是使用 figure 或 uifigure 函数创建的图窗中的一个选项卡组。您可以创建一个对象，该对象根据父容器的大小重新缩放，方法是将使用 uigridlayout 函数创建的一个网格布局管理器作为该对象的父级。因此，颜色代码 '#FF8800' 与 '#ff8800'、'#F80' 与 '#f80' 是等效的。然后，它在该图窗中创建一个选项卡组，并将选项卡放在该选项卡组内。选项卡组可以是使用 figure 或 uifigure 函数创建的图窗的一个子级。创建包含一个选项卡的选项卡组。

父容器，指定为使用 uifigure 函数创建的 Figure 对象或其子容器之一：Tab、Panel、ButtonGroup 或 GridLayout。编写名为 plotButtonPushed 的回调函数，该函数在 UI 坐标区中绘制一些数据，并将该函数赋给 ButtonPushedFcn 回调属性。在 UI 图窗中创建一个状态按钮，并通过指定属性值来自定义其外观。"state" - 点击一次，按钮将保持按下或释放状态，直到再次点击为止。创建指定样式的按钮。在指定的父容器中创建指定样式的按钮。

在 UI 图窗中创建一个线图，并显示警报对话框。为对话框指定一个 CloseFcn 回调，对话框在收到响应时对图窗调用 uiresume。暂停程序执行，直到在对话框中点击确定或将其关闭。当程序继续执行时，在命令行窗口中显示一条消息。创建一个普通按钮（其文本为继续）和一个回调（当点击该普通按钮时会调用 uiresume 函数）。当程序开始执行时，在命令行窗口中显示一条消息。暂停程序执行，直到您点击继续或关闭图窗窗口。创建一个警报对话框，然后让它等待收到响应后允许程序继续执行。

在 UI 图窗中创建一个线图，并显示警报对话框。为对话框指定一个 CloseFcn 回调，该对话框在用户响应它时调用 uiresume 函数。等待用户点击继续或关闭图窗窗口。使用 uiwait 函数和模态对话框可阻止程序执行并限制用户交互仅在对话框中进行，直到用户对它作出响应。图窗对象，指定为使用 figure 或 uifigure 函数创建的 Figure 对象。阻止程序执行，直至调用了 uiresume、删除了图窗或经过了 timeout 秒。创建一个警报对话框并等待用户响应它，然后允许程序继续执行。

waitforbuttonpress函数的功能是等待点击或按键。

train函数的功能是训练浅层神经网络。

此示例说明如何通过将预训练图像分类模型和 LSTM 网络相结合来创建视频分类网络。要为视频分类创建深度学习网络，请执行以下操作：使用预训练卷积神经网络（如 GoogLeNet）将视频转换为特征向量序列，以从每帧中提取特征。基于序列训练 LSTM 网络来预测视频标签。通过合并来自两个网络的层，组合一个直接对视频进行分类的网络。下图说明网络架构。要将图像序列输入到网络，请使用序列输入层。要使用卷积层来提取特征，也就是说，要将卷积运算独立地应用于视频的每帧，请使用一个后跟卷积层的序列折叠层。

本主题说明如何使用长短期记忆 (LSTM) 神经网络处理分类和回归任务的序列和时间序列数据。有关如何使用 LSTM 神经网络对序列数据进行分类的示例。LSTM 神经网络是一种循环神经网络 (RNN)，可以学习序列数据的时间步之间的长期依存关系。

此示例说明如何使用预训练的深度卷积神经网络 GoogLeNet 实时对来自网络摄像头的图像进行分类。使用 MATLAB®、普通的网络摄像头和深度神经网络来识别周围环境中的对象。此示例使用 GoogLeNet，它是预训练的深度卷积神经网络（CNN 或 ConvNet），已基于超过一百万个图像进行训练，可以将图像分为 1000 个对象类别（例如键盘、咖啡杯、铅笔和多种动物）。可以下载 GoogLeNet 并使用 MATLAB 实时连续处理相机图像。GoogLeNet 已基于大量图像学习了丰富的特征表示。

定义 LSTM 网络架构。将输入指定为大小为 3（输入数据的特征数量）的序列。指定包含 200 个隐含单元的 LSTM 层，并输出完整序列。最后，在网络中包含一个大小为 5 的全连接层，后跟 softmax 层和分类层，以此来指定五个类。Get指定训练选项。将求解器设置为'adam'。进行 60 轮训练。要防止梯度爆炸，请将梯度阈值设置为 2。Get使用以指定的训练选项训练 LSTM 网络。每个小批量都包含整个训练集，因此每训练一轮便更新一次绘图。

定义网络架构。创建一个 LSTM 网络，该网络包含一个具有 200 个隐藏单元的 LSTM 层，然后是一个大小为 50 的全连接层和一个丢弃概率为 0.5 的丢弃层。Get指定训练选项。使用求解器'adam'以大小为 20 的小批量进行 60 轮训练。指定学习率为 0.01。要防止梯度爆炸，请将梯度阈值设置为 1。要使序列保持按长度排序，请将'Shuffle'设置为'never'。Get。

创建一个 LSTM 回归神经网络。使用输入大小与输入数据的通道数匹配的序列输入层。接下来，使用一个具有 128 个隐藏单元的 LSTM 层。隐藏单元的数量确定该层学习了多少信息。使用更多隐藏单元可以产生更准确的结果，但也更有可能导致训练数据过拟合。要输出通道数与输入数据相同的序列，请包含一个输出大小与输入数据通道数匹配的全连接层。最后，包括一个回归层。

定义 LSTM 网络架构。将输入大小指定为输入数据的通道数。指定一个具有 120 个隐藏单元的双向 LSTM 层，并输出序列的最后一个元素。最后，包括一个输出大小与类的数量匹配的全连接层，后跟一个 softmax 层和一个分类层。如果可以在预测时访问完整序列，则可以在网络中使用双向 LSTM 层。双向 LSTM 层在每个时间步从完整序列学习。如果您不能在预测时访问完整序列，例如，正在预测值或一次预测一个时间步时，则改用 LSTM 层。layers =指定训练选项。

要为工具箱定义时间序列问题，请将一组时间序列预测变量向量排列为一个元胞数组中的列。然后，将另一组时间序列响应向量（每个预测变量向量的正确响应向量）排列成第二个元胞数组。此外，在某些情况下，只需要有一个响应数据集。​下一节说明如何使用神经网络时间序列来训练用于拟合时间序列数据集的网络。此示例使用工具箱附带的示例数据。

要定义聚类问题，请将输入向量（预测变量）排列为输入矩阵中的列。​下一节说明如何使用神经网络聚类训练网络以对数据进行聚类。此示例使用工具箱附带的示例数据集。