Matlab学习笔记--符号计算

MATLAB学习笔记(五):符号计算(符号矩阵+代数方程组求解) 2.6 .1 符号矩阵分析 常用的矩阵分析指令如下: det(A) 行列式A diag(A) 取对角元素构成向量,或根据向量构成对角矩阵 [V,D]=eig(A) 特征值分解,使 AV=VD (没看懂) expm(A) 矩阵指数e^A inv(A) A的逆矩阵 [V,J]=jordan(A) Jordan分解,使AV=VJ poly(A) 矩阵的特征多项式 rank 阅读详情

符号变量的创建

>> sysm q w e r;               %定义符号变量
>> q=w*e+r;
q = r + e*w

>>f1=sym('a+x^2+b*x+c')        %创建符号变量
f1 = x^2 + b*x + a + c

%'a+x^2+b*x+c'只能写在一行。可以使用pi、inf/INF、i/j、*、/、exp()等特殊变量和函数

数值计算与符号计算的对比

>> a=[1 2 3;4 5 6;7 8 9];b=[1;2;3];
>> c=a*b
c =
    14
    32
    50

>> syms x y;
>> z=x*y
z = x*y

>>f1=sym('a+x^2+b*x+c')     
f1 = x^2 + b*x + a + c

符号表达式的运算

>> f1=sym('1/(a+b)');
>> f2=sym('2*a/(a+b)');
>> f3=sym('(a+1)*(b+1)*(a-b)');
>> f1+f2                                    %符号加
ans = (2*a)/(a + b) + 1/(a + b)

>> f1-f2                                    %符号减
ans = 1/(a + b) - (2*a)/(a + b)

>> f1*f3                                    %符号乘
ans = ((a - b)*(a + 1)*(b + 1))/(a + b)

>> f1/f3                                    %符号除
ans = 1/((a + b)*(a - b)*(a + 1)*(b + 1))

>> f1^2                                     %符号幂
ans = 1/(a + b)^2

函数运算

合并、展开、因式分解、分数形式提取、化解

函数 具体说明
collect函数 将符号表达式中相同幂次的项进行合并
expand函数 将符号表达式展开
factor函数 对符号表达式进行因式分解
numden函数 将符号表达式转换为分子与分母形式
simplify函数 利用代数中的函数规则对符号表达式进行化解
>> f1=sym('(exp(x)+x)*(x+2)');
>> f2=sym('a^3-1');
>> f3=sym('1/a^4+2/a^3+3/a^2+4/a+5');
>> f4=sym('sin(x)^2+cos(x)^2');


>> collect(f1)                            %合并
ans =x^2 + (exp(x) + 2)*x + 2*exp(x)

>> expand(f1)                             %展开
ans =2*x + 2*exp(x) + x*exp(x) + x^2

>> factor(f2)                             %因式分解
ans =[ a - 1, a^2 + a + 1]

>> [m,n]=numden(f3)                       %分数形式提取
m =5*a^4 + 4*a^3 + 3*a^2 + 2*a + 1
n =a^4

>> simplify(f4)                           %化简
ans =1

%——————————————————————————————————————————————————————————————
%合并同类项,默认按x合并,也可以指定变量
>> f6=sym('a*x^2+b*x*y+c*y^2+d*y*x');
>> collect(f6) 
ans = a*x^2 + (b*y + d*y)*x + c*y^2

>> collect(f6,'y')
ans = c*y^2 + (b*x + d*x)*y + a*x^2

%因式分解后的因式会存放数组中
>> f7=sym('x^4-1');
>> factor(f7)
ans = [ x - 1, x + 1, x^2 + 1]

反函数

>> syms x y;
>> finverse(1/tan(x))
ans = atan(1/x)

>> f=x^2+y;
>> finverse(f,x)                %求反函数,自变量为x
ans = (x - y)^(1/2)

>> finverse(f,y)                %求反函数,自变量为y
ans = - x^2 + y

复合函数

函数 具体说明
compose(f,g) 求f=f(x)和g=g(x)的复合函数f(g(x));
compose(f,g,z) 求f=f(x)和g=g(x)的复合函数f(g(z));
>> syms x y z
>> f=1/(1+x^2);
>> g=sin(y);


>> compose(f,g)
 ans = 1/(sin(y)^2 + 1)

>> compose(f,g,z)
 ans = 1/(sin(z)^2 + 1)

表达式替换

subs(s,old,new):用符号或数值变量new替换s中的符号变量old

>> syms a b c;
>> y=a^2+b+c;

>> subs(y,'a','z')
ans = z^2 + b + c

>> subs(y,a,'z')                      %单个替换
ans = z^2 + b + c

>> subs(y,{
   
   'z','b'},{
   
   'z','sin(x)'})   %多重替换
ans = a^2 + c + sin(x)

%tips:变量old可以用'a'也可以直接用a,即使被替换成了'a'的形式,依然可以在下一次的调用中使用a,new变量就只能使用数值或者符号,所以只能使用'a'的形式

%——————————————————————————————————————————————————————————————

%表达式替换也可以用来求解函数值

>> syms x;
>> y=x^2+3*x+4;
>> subs(y,'x',2)

ans = 14

符号微积分

函数的极限

调用格式
具体说明
limit(f)
limv→0f(v)
limit(f,a)
limv→af(v)
limit(f,x,a)
limx→af(x)
limit(f,x,a,′right′)
limx→a+f(x)
limit(f,x,a,′left′)
limx→a−f(x)

分别计算:limx→
MATLAB学习笔记(三):符号计算(积分+导数) 2.3 .1符号微积分  求极限   limit(f,x,a) 求f(x)中x趋近于a的极限值 例如: >> clear >> syms k x >> lim_t=limit((1-1/x)^(k*x),x,inf) lim_t = 1/exp(k) 求导数 diff(f,x,n) 求f(x)的n阶导数 >> clear >> syms x >> dfdx=diff(x^3, 阅读详情

相关推荐

Matlab中利用finverse求解反函数

在matlab中求解反函数使用的是finverse函数,其基本用法如下: syms x % 定义自变量 f(x) = 1/tan(x); % 定义函数 g = finverse(f) % 求解反函数 当然当函数有多个自变量时,还需要指定自变量: syms u v % 自变量u,v finverse(exp(u-2*v), u) % 指定对u求解反函数 当然,这些都不是小编想要说的,看到这里的同学都是很有耐心的。 小编想讲的是如何对一个自变

warnerchang的博客 1万+

立创EDA手动拼板实战:当自带功能不够用,如何用‘复制粘贴’搞定异形拼版与特殊布局

本文详细介绍了立创EDA手动拼板技术在异形拼版与特殊布局中的应用实战。通过CTRL+SHIFT+V等核心操作技巧,解决混合尺寸拼板、特殊间距需求等复杂场景,提升PCB设计效率与灵活性,特别适合需要高精度控制的射频电路和医疗设备项目。

weixin_31967485的博客 387

VH6501干扰仪的使用

触发模式方法备注External Trigger(外部触发)使用VH6501的I/O口作为触发源Frame Trigger(报文触发)设定被干扰报文的触发位置,并发送干扰位序列/报文software Trigger(软件触发)配置好干扰序列后直接发送Error Frame Trigger(错误帧触发)基于错误帧标识位为触发条件触发干扰Direction Trigger(发送方向触发)根据TX/RX发送/接收方作为触发条件Inverted Trigger(反向触发)

帮助100万人颠覆负面潜意识,实现人生蜕变,培养1万名潜意识开发导师 9055

零基础实战:YOLO检测头自定义替换全攻略

本文为零基础用户提供了YOLO检测头自定义替换的完整实战指南。通过将检测头比作汽车的“方向盘”,文章详细阐述了为何需要替换、如何寻找和集成新检测头模块、修改配置文件以及最终训练验证的全过程,旨在帮助用户针对特定任务(如小目标检测)提升模型性能。

perl8的博客 255

基于RTL8370N的8口千兆无管理交换机硬件设计

无管理交换机是局域网边缘接入的核心基础设备,其本质是通过硬件状态机实现MAC地址学习、线速转发与自动协商,无需软件配置即可完成即插即用组网。原理上依赖高度集成的PHY+交换矩阵单芯片(如RTL8370N),结合确定性硬件逻辑替代MCU固件,保障低延迟、高可靠与零运维。技术价值体现在成本压缩、体积精简与部署极简化,广泛应用于家庭网络扩展、工业现场设备联网及嵌入式系统桥接等场景。本文详解一款基于RTL8370N的紧凑型8端口千兆无管理交换机,覆盖芯片选型依据、PHY接口设计、电源与散热优化等关键工程实践。

weixin_42327217的博客 402

关于SVPWM七段式五段式调制后的相电压和线电压波形——大疆DJI技术笔试

1.SVPWM七段式/五段式调制的相电压和线电压波形 脉宽调制(PWM)在并网变流技术中得到了广泛的应用。与正弦脉宽调制(SPWM)的控制方法相比,SVPWM方法具有直流侧电压利用率高,电压谐波小,易于数字化实现等显著的优点,从而使SVPWM在实际的应用中越来越普遍。TMS320F28335是32位浮点的DSP控制器,具有150MHz的高速处理能力,18路PWM输出,与前几代数字信号控制器相比,性能平均提高了50%。其中具体的SVPWM理论实现的原理,请参考我的博客永磁同步电机的矢量控制策略(七)一一一SV

昔时扬尘处 2万+

ptrade量化策略之ST股弱转强,回测年化115%

本策略的核心是精选ST股票,国九条过滤,防止直接暴雷退市,只做ST股票的弱转强

qq_29301281的博客 1788

基于YOLOv8和PaddlepaddleOCR的微信截图聊天记录提取

本文提出了一种基于YOLOv8和PaddleOCR的微信聊天记录提取方法。首先使用YOLOv8n模型分割出聊天气泡(针对深浅色模式分别训练),通过合成数据集增强模型鲁棒性,召回率达0.995。随后采用PP-OCRv5进行文本识别,利用坐标匹配将气泡内文本送入识别队列,短长文本平均置信度分别>0.98和>0.95。文中特别强调了PaddleOCR不同版本的输出格式差异及适配方案,建议使用3.0+版本。该方法有效解决了直接OCR识别易受干扰的问题,通过气泡分割+文本定位的两阶段策略显著提升了识别准确

2401_87383958的博客 2358

YOLOv11改进前必看 - YAML模型配置文件详细解读(再也不用担心通道数不匹配) 附网络结构图

YOLOv11的模型配置文件在中,里面包含以及,本文以目标检测模型文件为例(其他文件完全一致),详细介绍一下YOLOv11模型文件中各参数的含义。

Limiiiing的博客 5314

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

上一篇: Matlab学习笔记--数值计算
下一篇: 机器学习--特征缩放/均值归一化
runnerxin
博客等级 码龄10年 12粉丝 39原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值