matlab统计工具箱函数.doc
% Statistics Toolbox
% betafit - Beta parameter estimation.
% binofit - Binomial parameter estimation.
% dfittool - Distribution fitting tool.
% evfit ? Extreme value parameter estimation.
% expfit - Exponential parameter estimation.
% gamfit - Gamma parameter estimation.
% log nfit ? Log no rmal parameter estimati on.
% mle ? Maximum likelihood estimation (MLE).
% mlecov - Asymptotic covarianee matrix of MLE. % nbinfit - Negative binomial parameter estimation. % normfit ? Normal parameter estimation.
% poissfit - Poisson parameter estimation.
% raylfit ? Rayleigh parameter estimation.
% unifit ? Uniform parameter estimation.
% wblfit ? Weibull parameter estimation.
%
% Probability density functions (pdf).
% beta pdf - Beta density?
% binopdf - Binomial density?
% chi2pdf - Chi square density?
% evpdf ? Extreme value density.
% exppdf - Exponential density?
% fpdf - F density.
% gampdf - Gamma density?
% geopdf - Geometric density?
% hygepdf - Hypergeometric density?
% log npdf - Log no rmal density.
% mvnpdf - Multivariate normal density?
% nbinpdf - Negative binomial density.
% n cf pdf - Non central F den sity ?
% nctpdf - Noncentral t density?
% ncx2pdf - Noncentral Chi-square density.
% normpdf - Normal (Gaussian) density.
% pdf - Density function for a specified distribution. % poisspdf - Poisson density.
% raylpdf ? Rayleigh density.
% tpdf-T density.
% unidpdf - Discrete uniform density.
% unifpdf - Uniform density?
% wblpdf - Weibull density.
%
% Cumulative Distribution functions (cdf).
% betacdf - Beta cdf.
% binocdf ? Binomial cdf.
% cdf - Specified cumulative distribution function.
% chi2cdf - Chi square cdf.
% ecdf - Empirical cdf (Kaplan-Meier estimate).
% evcdf - Extreme value cumulative distribution function.
% expcdf - Exponential cdf.
% fcdf ? F cdf.
% gamcdf - Gamma cdf.
% geocdf - Geometric cdf.
% hygecdf - Hypergeometric cdf.
% logncdf - Log no rmal cdf.
% nbincdf ? Negative binomial cdf.
% ncfcdf - Noncentral F cdf.
% nctcdf ? Noncentral t cdf.
% ncx2cdf - Noncentral Chi-square cdf.
% normcdf ? Normal (Gaussian) cdf.
% poisscdf - Poisson cdf.
% raylcdf - Rayleigh cdf.
% tcdf - T cdf.
% unidcdf ? Discrete uniform cdf.
% unifcdf - Uniform cdf.
% wblcdf ? Weibull cdf.
%
% Critical Values of Distribution functions.
% betai nv ? Beta in verse cumulative distributio n function.
% bino inv - Binomial in verse cumulative distributio n function.
% chi2i nv - Chi square in verse cumulative distributio n fun ctio n.
% evinv ? Extreme value inverse cumulative distribution function.
% expi nv ? Exp on ential in verse cumulative distribution functi on.
% finv - F in verse cumulative distributi on function.
% garninv ? Gamma inverse cumulative distribution function.
% geoinv - Geometric inverse cumulative distribution function.
% hygeinv - Hypergeometric inverse cumulative distribution function.
% icdf ? Spec Hied inverse cdf.
% logninv - Lognormal in verse cumulative distribution fun ction.
% nbininv - Negative binomial inverse distribution function.
% ncfinv ? Noncen tral F in verse cumulative distributi on function.
% nctinv - Noncen tral t in verse cumulative distributi on fun ctio n.
% ncx2inv ? Noncentral Chi-square inverse distribution function.
% norminv ? Normal (Gaussia n) in verse cumulative distribution fun ction. % poissi nv - Poiss on in verse cumulative distributio n function.
% rayli nv - Rayleigh in verse cumulative distributi on function.
% tinv- T in verse cumulative distributio n function.
% un idinv - Discrete un iform in verse cumulative distributi on function.
% unifinv - Uniform in verse cumulative distributi on function. % wblinv ?Weibull in verse cumulative distributi on function.
%
% Random Number Generators?
% betarnd - Beta random numbers.
% binornd - Binomial random numbers?
% chi2rnd - Chi square random numbers.
% evrnd - Extreme value random numbers?
% exprnd ? Exponential random numbers?
% frnd - F random numbers?
% gamrnd - Gamma random numbers?
% geornd - Geometric random numbers?
% hygernd - Hypergeometric random numbers?
% iwishrnd ? Inverse Wishart random matrix.
% lognr nd - Log no rmal ran dom numbers.
% mvnrnd ? Multivariate normal random numbers?
% mvtrnd - Multivariate t random numbers.
% nbinrnd - Negative binomial random numbers?
% ncfrnd - Noncentral F random numbers?
% nctrnd ? Noncentral t random numbers.
% ncx2rnd ? Noncentral Chi-square random numbers?
% normrnd - Normal (Gaussian) random numbers?
% poissrnd - Poisson random numbers?
% randg ? Gamma random numbers (unit scale).
% random - Random numbers from specified distribution.
% randsample - Random sample from finite population.
% raylrnd ? Rayleigh random numbers?
% trnd - T random numbers?
% unidrnd ? Discrete urdform random numbers.
% urdfrnd - Uniform random numbers?
% wblrnd ? Weibull random numbers.
% wishrnd ? Wishart random matrix?
%
% Statistics.
% betastat - Beta mean and variance.
% binostat ? Binomial mean and variance?
% chi2stat - Chi square mean and varianee.
% evstat - Extreme value mean and varianee.
% expstat - Exponential mean and varianee.
% fstat - F mean and variance?
% gamstat - Gamma mean and varianee.
% geostat - Geometric mean and varianee.
% hygestat - Hypergeometric mean and variance?
% lognstat ? Lognormal mean and varianee.
% nbinstat ? Negative binomial mean and varianee.
% n cfstat - Non central F mea n and varia nee.
% nctstat - Noncentral t mean and varianee.
% ncx2stat - Noncentral Chi-square mean and varianee.
% no rmstat - Normal (Gaussia n) mea n and varia nee.
% poisstat - Poisson mean and varianee.
% raylstat - Rayleigh mean and varianee.
% tstat - T mean and varianee.
% unidstat ? Discrete uniform mean and variance?
% unifstat - Uniform mean and varianee.
% wblstat ? Weibull mean and variance?
%
% Likelihood functions.
% beta I ike ? Negative beta log-likelihood ?
% evlike - Negative extreme value log-likelihood.
% exp I ike - Negative exp on ential log-likelihood ?
% gamlike - Negative gamma log-likelihood.
% log nlike - Negative log normal log-likelihood ?
% nbinlike - Negative likelihood for negative binomial distribution.
% normlike ? Negative normal likelihood?
% wbllike - Negative Weibull log-likelihood.
%
% Descriptive Statistics.
% bootstrp ? Bootstrap statistics for any function.
% corr ? Lin ear or rank correlati on coefficie nt.
% corrcoef - Lin ear correlati on coefficie nt with con fide nee intervals. % cov - Covariance.
% crosstab - Cross tabulation.
% geomean ? Geometric mean.
% grpstats - Summary statistics by group.
% harmmean - Harmonic mean.
% iqr ? In terquartile range.
% kurtosis - Kurtosis?
% mad ? Median Absolute Deviation.
% mean - Sample average (in MATLAB toolbox).
% median - 50th percentile of a sample.
% moment ? Moments of a sample.
% nan max - Maximum ignoring NaNs ?
% nan mean ? Mea n ign oring NaNs ?
% nan media n - Median igno ring NaNs ?
% nanmin - Minimum ignoring NaNs.
% nanstd - Standard deviation ignoring NaNs?
% nan sum - Sum ignoring NaNs.
% nanvar - Variance ignoring NaNs.
% pretile - Percentiles.
% quantile ? Quantiles?
% range - Range.
% skewness ? Skewness.
% std - Standard deviation (in MATLAB toolbox).
% tabulate - Frequency table?
% trimmean - Trimmed mean.
% var ? Variance (in MATLAB toolbox).
%
% Linear Models.
% addedvarplot - Created added-variable plot for stepwise regression.
% anoval ? One-way analysis of variance?
% anova2 ? Two-way analysis of varianee.
% a nova n ? n-way analysis of variance?
% aoctool -1nteractive tool for analysis of covariance.
% dummyvar - Dummy-variable coding.
% friedman ? Friedmarfs test (nonparametric two-way anova).
% glmfit - Generalized linear model fitting.
% glmval ? Evaluate fitted values for generalized linear model.
% kruskalwallis - Kruskal-Wallis test (nonparametric one-way anova).
% leverage - Regression diagnostic?
% Iscov ? Least-squares estimates with known covarianee matrix?
% Isqnonneg - Non?negative least-squares?
% manoval - One-way multivariate analysis of varianee.
% manovacluster ? Draw clusters of group means for manoval.
% multcompare - Multiple comparisons of means and other estimates?
% polyc onf ? Polyno mial evaluati on and con fide nee interval estimatio n. % polyfit ? Least-squares polynomial fitting.
% polyval - Predicted values for polynomial functions.
% rcoplot - Residuals case order plot.
% regress ? Multivariate linear regression.
% regstats - Regression diag no sties.
% ridge - Ridge regression.
% robustfit ? Robust regression model fitting.
% rstool - Multidimensional response surface visualization (RSIVI).
% stepwise - Interactive tool for stepwise regression.
% stepwisefit - Non-interactive stepwise regression.
% x2fx - Factor settings matrix (x) to design matrix (fx).
%
% Nonlinear Models?
% nlinfit - Nonlinear least-squares data fitting.
% nlin tool ? Interactive graphical tool for prediction in non linear models. % n Ipredci - Con fide nee intervals for predictio n.
% n Iparci - Con fide nee in tervals for parameters.
%
% Design of Experiments (DOE).
% bbdesign - Box-Behnken design?
% candexch ? D-optimal desig n (row excha nge algorithm for can didate set). % candgen ? Candidates set for D-optimal design generation.
% ccdesign - Central composite design?
% cordexch - D-optimal design (coordinate exchange algorithm).
% daugment - Augment D-optimal design.
% d co vary ? D-optimal desig n with fixed covariates ?
% ff2n - Two-level full-factorial design.
% fracfact - Two-level fractional factorial design.
% fullfact - Mixed-level full-factorial design.
% hadamard - Hadamard matrices (orthogonal arrays).
% Ihsdesign ? Latin hypercube sampling design.
% Ihsnorm ? Latin hypercube multivariate no rmal sample?
% rowexch ? D-optimal design (row exchange algorithm).
%
% Statistical Process Control (SPC).
% capable ? Capability in dices ?
% capaplot - Capability plot?
% ewmaplot - Exponentially weighted moving average plot?
% histfit - Histogram with superimposed normal density.
% normspec - Plot normal density between specification limits.
% schart - S chart for monitoring variability?
% xbarplot ? Xbar chart for monitoring the mean.
%
% Multivariate Statistics.
% Cluster Analysis.
% cophenet - Cophenetic coefficient?
% cluster - Construct clusters from LINKAGE output.
% clusterdata - Con struct clusters from data ?
% dendrogram ? Gen erate dendrogram plot.
% inconsistent ? Inconsistent values of a cluster tree.
% kmeans ? k-means clustering.
% linkage - Hierarchical cluster information.
% pdist - Pairwise distanee between observations.
% silhouette ? Silhouette plot of clustered data?
% squareform - Square matrix formatted distanee.
%
% Dimension Reduction Techniques.
% factoran - Factor analysis.
% pcacov - Principal components from covarianee matrix.
% pcares - Residuals from principal components.
% princomp ? Prin cipal comp on ents an alysis from raw data ?
% rotatefactors - Rotation of FA or PCA loadings.
%
% Plotting.
% andrewsplot ? Andrews plot for multivariate data?
% biplot ? Biplot of variable/factor coefficients and scores.
% glyphplot - Plot stars or Chernoff faces for multivariate data?
% gplotmatrix - Matrix of scatter plots grouped by a common variable?% parallelcoords ? Parallel coordinates plot for multivariate data?
%
% Other Multivariate Methods.
% barttest - Bartlett's test for dimensionality.
% canoncorr - Carrnonical correlation analysis?
% cmdscale ? Classical multidimensional scaling.
% classify ? Lin ear discrimi nant an alysis ?
% mahal - Mahalanobis distanee.
% manoval - One-way multivariate analysis of varianee.
% mdscale ? Metric and non-metric multidimensional scaling.
% procrustes ? Procrustes analysis.
%
% Decision Tree Techniques?
% treedisp - Display decision tree.
% treefit ? Fit data using a classification or regression tree.
% treeprune ? Prune decision tree or creating optimal pruning sequenee. % treetest ? Estimate error for decision tree?
% treeval - Compute fitted values using decision tree.
%
% Hypothesis Tests.
% ranksum - Wilcoxon rank sum test (independent samples).
% signrank ? Wilcox on sign rank test (paired samples).
% signtest - Sign test (paired samples).
% ztest ? Z test.
% ttest ? One sample t test.
% ttest2 - Two sample t test.
%
% Distribution Testing.
% jbtest ? Jarque-Bera test of normality
% kstest - Kolmogorov-Smirnov test for one sample
% kstest2 - Kolmogorov-Smirnov test for two samples
% lillietest ? Lilliefors test of normality
%
% Non parametric Fun ctio ns.
% friedman ? Friedmarfs test (nonparametric two-way anova).
% kruskalwallis ? Kruskal-Wallis test (nonparametric one-way anova).
% ksdensity ? Kernel smoothing density estimation.
% ran ksum - Wilcox on rank sum test (indepe ndent samples).
% signrank - Wilcox on sign rank test (paired samples).
% sign test - Sign test (paired samples)?
%
% Hidden Markov Models?
% hmmdecode ? Calculate HMM posterior state probabilities?
% hmmestimate ? Estimate HMM parameters given state information.
% hmmgenerate - Generate random sequenee for HMM?
% hmmtrain ? Calculate maximum likelihood estimates for HMM parameters. % hmmviterbi - Calculate most probable state path for HMM sequenee.
%
% Statistical Plotting.
% andrewsplot - Andrews plot for multivariate data.
% biplot - Biplot of variable/factor coefficients and scores.
% boxplot - Boxplots of a data matrix (one per column)?
% cdfplot - Plot of empirical cumulative distribution function.
% ecdfhist - Histogram calculated from empirical cdf.
% fsurfht ? In teractive con tour plot of a function.
% gline - Point, drag and click line drawing on figures.
% glyphplot - Plot stars or Chernoff faces for multivariate data.
% gn ame ? In teractive point labeling in x-y plots ?
% gplotmatrix - Matrix of scatter plots grouped by a common variable?
% gscatter - Scatter plot of two variables grouped by a third?
% hist ? Histogram (in MATLAB toolbox).
% hist3 ? Three-dimensional histogram of bivariate data.
% Isline - Add least-square fit line to scatter plot.
% no rmplot ? Normal probability plot.
% parallelcoords ? Parallel coordinates plot for multivariate data?
% probplot ? Probability plot.
% qqplot - Quantile-Quantile plot.
% refeurve ? Reference polynomial curve.
% refli ne ? Ref ere nee line.
% surfht ? In teractive con tour plot of a data grid ?
% wblplot ? Weibull probability plot.
%
% Statistics Demos.
% aoctool ? In teractive tool for an alysis of covariance.
% disttool - GUI tool for exploring probability distribution functions.
% polytool - Interactive graph for prediction of fitted poly no mials ?
% randtool - GUI tool for generating random numbers.
% rsmdemo - Reaction simulation (DOE, RSM, nonlinear curve fitting).
% robustdemo ? In teractive tool to compare robust and least squares fits.
%
% File Based I/O.
% tblread ? Read in data in tabular format?
% tblwrite ? Write out data in tabular format to file.
% tdfread ? Read in text and numeric data from tab-delimitted file.
% caseread - Read in case names.
% casewrite ? Write out case names to file.
%
% Utility Functions.
% combnk ? Enumerati on of all combi nations of n objects k at a time ?% grp2idx - Convert groupi ng variable to in dices and array of n ames ?% hougen ? Prediction function for Hougen model (nonlinear example). % statget ? Get STATS options parameter value.
% statset ? Set STATS options parameter value?
% tiedrank - Compute ranks of sample, adjusting for ties?
% zscore - Normalize matrix columns to mean 0, varianee 1?
% Other Utility Functions.
% betalikl ? Computation function for negative beta log-likelihood?
% boxutil - Utility function for boxplot?
% cdfcalc - Computation function for empirical cdf.
% dfgetset ? Getting and setting dfittool parameters.
% dfswitchyard - Invoking private functions for dfittool.
% distchck - Argume nt checki ng for cdf pdf and in verse fun ctions ?
% export2wsdlg - Dialog to export data from gui to workspace?
% iscatter - Grouped scatter plot using integer grouping.
% meansgraph ? I interactive mea ns graph for multiple comparis ons. % statdisptable - Display table of statistics.
%
% HTML Demo Functions.
% classdemo ? Classification demo.
% clusterdemo - Cluster analysis demo.
% cmdscaledemo - Classical multidimensional scaling demo.
% copulademo ? Copula simulation demo.
% customdistldemo - Custom distribution fitting demo.
% customdist2demo ? Custom distribution fitting demo.
% factorandemo - Factor analysis demo.
% glmdemo - Generalized linear model demo.
% gparetodemo - Generalized Pareto fitting demo.
% mdscaledemo - Non?classical multidimensional scaling demo.
% mvplotdemo - Multidimensional data plotting demo.
% samplesizedemo ? Sample size calculation demo.
% survivaldemo - Survival data analysis demo.
%
% Obsolete Functions
% weibedf - Weibull cdf, old parameter definitions.
% weibfit ? Weibull fitting, old parameter definitions.
% weibinv - Weibull inv cdf, old parameter definitions.
% weiblike ? Weibull likelihood, old parameter definitions.
% weibpdf - Weibull pdf, old parameter definitions?
% weibplot ? Weibull prob plot, old parameter definitions.
% weibrnd - Weibull random numbers, old parameter definitions. % weibstat - Weibull statistics, old parameter definitions.
matlab在统计数据的描述性分析的应用
统计数据的描述性分析 一、实验目的 熟悉在matlab中实现数据的统计描述方法，掌握基本统计命令：样本均值、样本中位数、样本标准差、样本方差、概率密度函数pdf、概率分布函数df、随机数生成rnd。 二、实验内容 1 、频数表和直方图 数据输入,将你班的任意科目考试成绩输入 >> data=[91 78 90 88 76 81 77 74]; >> [N,X]=hist(data,5) N = 3 1 1 0 3 X = 75.7000 79.1000 82.5000 85.9000 89.3000 >> hist(data,5)
2、基本统计量 1) 样本均值 语法: m=mean(x) 若x 为向量，返回结果m是x 中元素的均值； 若x 为矩阵，返回结果m是行向量，它包含x 每列数据的均值。 2) 样本中位数 语法: m=median(x) 若x 为向量，返回结果m是x 中元素的中位数； 若x 为矩阵，返回结果m是行向量，它包含x 每列数据的中位数3) 样本标准差 语法:y=std(x) 若x 为向量，返回结果y 是x 中元素的标准差； 若x 为矩阵，返回结果y 是行向量，它包含x 每列数据的标准差
std(x)运用n-1 进行标准化处理，n是样本的个数。 4) 样本方差 语法：y=var(x); y=var(x,1) 若x 为向量，返回结果y 是x 中元素的方差； 若x 为矩阵，返回结果y 是行向量，它包含x 每列数据的方差 var(x)运用n-1 进行标准化处理（满足无偏估计的要求），n 是样本的个数。var(x,1)运用n 进行标准化处理，生成关于样本均值的二阶矩。 5) 样本的极差（最大之和最小值之差） 语法：z= range(x) 返回结果z是数组x 的极差。 6) 样本的偏度 语法：s=skewness(x) 说明：偏度反映分布的对称性，s>0 称为右偏态，此时数据位于均值右边的比左边的多；s<0,情况相反；s 接近0 则可认为分布是对称的。 7) 样本的峰度 语法：k= kurtosis(x) 说明：正态分布峰度是3，若k 比3 大得多，表示分布有沉重的尾巴，即样本中含有较多远离均值的数据，峰度可以作衡量偏离正态分布的尺度之一。 >> mean(data) ,
Matlab对采样数据进行频谱分析
使用Matlab对采样数据进行频谱分析 1、采样数据导入Matlab 采样数据的导入至少有三种方法。 第一就是手动将数据整理成Matlab支持的格式，这种方法仅适用于数据量比较小的采样。 第二种方法是使用Matlab的可视化交互操作，具体操作步骤为：File --> Import Data，然后在弹出的对话框中找到保存采样数据的文件，根据提示一步一步即可将数据导入。这种方法适合于数据量较大，但又不是太大的数据。据本人经验，当数据大于15万对之后，读入速度就会显著变慢，出现假死而失败。 第三种方法，使用文件读入命令。数据文件读入命令有textread、fscanf、load 等，如果采样数据保存在txt文件中，则推荐使用 textread命令。如 [a,b]=textread('data.txt','%f%*f%f'); 这条命令将data.txt中保存的数据三个三个分组，将每组的第一个数据送给列向量a，第三个数送给列向量b，第二个数据丢弃。命令类似于C语言，详细可查看其帮助文件。文件读入命令录入采样数据可以处理任意大小的数据量，且录入速度相当快，一百多万的数据不到20秒即可录入。强烈推荐！ 2、对采样数据进行频谱分析 频谱分析自然要使用快速傅里叶变换FFT了，对应的命令即 fft ，简单使用方法为：Y=fft(b,N)，其中b即是采样数据，N为fft数据采样个数。一般不指定N，即简化为Y=fft(b)。Y即为FFT变换后得到的结果，与b的元素数相等，为复数。以频率为横坐标，Y数组每个元素的幅值为纵坐标，画图即得数据b的幅频特性；以频率为横坐标，Y数组每个元素的角度为纵坐标，画图即得数据b的相频特性。典型频谱分析M程序举例如下： clc fs=100; t=[0:1/fs:100]; N=length(t)-1;%减1使N为偶数 %频率分辨率F=1/t=fs/N p=1.3*sin(0.48*2*pi*t)+2.1*sin(0.52*2*pi*t)+1.1*sin(0.53*2*pi*t)... +0.5*sin(1.8*2*pi*t)+0.9*sin(2.2*2*pi*t); %上面模拟对信号进行采样，得到采样数据p，下面对p进行频谱分析 figure(1) plot(t,p); grid on title('信号 p(t)'); xlabel('t') ylabel('p')
Matlab工具箱中地BP与RBF函数
Matlab工具箱中的BP与RBF函数 Matlab神经网络工具箱中的函数非常丰富，给网络设置合适的属性，可以加快网络的学习速度，缩短网络的学习进程。限于篇幅，仅对本章所用到的函数进行介绍，其它的函数及其用法请读者参考联机文档和帮助。 1 BP与RBF网络创建函数 在Matlab工具箱中有如表1所示的创建网络的函数，作为示例，这里只介绍函数newff、newcf、newrb和newrbe。 表 1 神经网络创建函数 (1) newff函数 功能：创建一个前馈BP神经网络。 调用格式：net = newff(PR,[S1 S2...S Nl],{TF1 TF2...TF Nl},BTF,BLF,PF) 参数说明： ?PR - R个输入的最小、最大值构成的R×2矩阵； ?S i–S NI层网络第i层的神经元个数； ?TF i - 第i层的传递函数，可以是任意可导函数，默认为'tansig'，
可设置为logsig，purelin等； ?BTF -反向传播网络训练函数，默认为'trainlm'，可设置为trainbfg，trainrp，traingd等； ?BLF -反向传播权值、阈值学习函数，默认为'learngdm'； ?PF -功能函数，默认为'mse'； (2) newcf函数 功能：创建一个N层的层叠(cascade)BP网络 调用格式：net = newcf(Pr,[S1 S2...SNl],{TF1 TF2...TFNl},BTF,BLF,PF) 参数同函数newff。 (3) newrb函数 功能：创建一个径向基神经网络。径向基网络可以用来对一个函数进行逼近。newrb函数用来创建一个径向基网络，它可以是两参数网络，也可以是四参数网络。在网络的隐层添加神经元，直到网络满足指定的均方误差要求。 调用格式：net = newrb(P,T,GOAL,SPREAD) 参数说明： ?P：Q个输入向量构成的R×Q矩阵； ?T：Q个期望输出向量构成的S×Q矩阵； ?GOAL：均方误差要求，默认为0。 ?SPREAD：分散度参数，默认值为1。SPREAD越大，网络逼近的函数越平滑，但SPREAD取值过大将导致在逼近变化比较剧烈的函
matlab遗传算法工具箱函数及实例讲解
matlab遗传算法工具箱函数及实例讲解 最近研究了一下遗传算法，因为要用遗传算法来求解多元非线性模型。还好用遗传算法的工箱予以实现了，期间也遇到了许多问题。借此与大家分享一下。 首先，我们要熟悉遗传算法的基本原理与运算流程。 基本原理：遗传算法是一种典型的启发式算法，属于非数值算法范畴。它是模拟达尔文的自然选择学说和自然界的生物进化过程的一种计算模型。它是采用简单的编码技术来表示各种复杂的结构，并通过对一组编码表示进行简单的遗传操作和优胜劣汰的自然选择来指导学习和确定搜索的方向。遗传算法的操作对象是一群二进制串（称为染色体、个体），即种群，每一个染色体都对应问题的一个解。从初始种群出发，采用基于适应度函数的选择策略在当前种群中选择个体，使用杂交和变异来产生下一代种群。如此模仿生命的进化进行不断演化，直到满足期望的终止条件。 运算流程： Step 1：对遗传算法的运行参数进行赋值。参数包括种群规模、变量个数、交叉概率、变异概率以及遗传运算的终止进化代数。 Step 2：建立区域描述器。根据轨道交通与常规公交运营协调模型的求解变量的约束条件，设置变量的取值范围。 Step 3：在Step 2的变量取值范围内，随机产生初始群体，代入适应度函数计算其适应度值。 Step 4：执行比例选择算子进行选择操作。 Step 5：按交叉概率对交叉算子执行交叉操作。 Step 6：按变异概率执行离散变异操作。 Step 7：计算Step 6得到局部最优解中每个个体的适应值，并执行最优个体保存策略。 Step 8：判断是否满足遗传运算的终止进化代数，不满足则返回Step 4，满足则输出运算结果。 其次，运用遗传算法工具箱。 运用基于Matlab的遗传算法工具箱非常方便，遗传算法工具箱里包括了我们需要的各种函数库。目前，基于Matlab的遗传算法工具箱也很多，比较流行的有英国设菲尔德大学开发的遗传算法工具箱GATBX、GAOT以及Math Works公司推出的GADS。实际上，GADS 就是大家所看到的Matlab中自带的工具箱。我在网上看到有问为什么遗传算法函数不能调用的问题，其实，主要就是因为用的工具箱不同。因为，有些人用的是GATBX带有的函数，但MATLAB自带的遗传算法工具箱是GADS，GADS当然没有GATBX里的函数，因此运行程序时会报错，当你用MATLAB来编写遗传算法代码时，要根据你所安装的工具箱来编写代码。
Matlab大数据处理
Matlab大数据处理2：硬盘访问.mat文件 分类：Matlab Hack2013-09-08 20:16 146人阅读评论(0) 收藏举报Matlab程序中经常要访问.mat文件，通常在作法是用load函数直接加载.mat文件。如果.mat文件非常大，超过了系统可用内存的时候该怎么办呢？Matlab2013b为提供了matfile函数，matfile函数可以通过索引直接访问.mat文件中的Matlab变量，而无需将.mat文件加载入内存。 matfile有两种用法： m = matfile(filename)，用文件名创建matfile对象，通过这个对象可以直接访问mat文件中的matlab变量。 m = matfile(filename,'Writable',isWritable)，isWritable开启或关闭文件写操作。 使用示例： 1. 向mat文件中写入变量 x = magic(20); m = matfile('myFile.mat'); % 创建一个指向myFile.mat的matfile对象 m.x = x; % 写入x m.y(81:100,81:100) = magic(20); % 使用坐标索引
2. 加载变量 filename = 'topography.mat'; m = matfile(filename); topo = m.topo; %读取变量topo [nrows,ncols] = size(m,'stocks'); %读取stocks变量的size avgs = zeros(1,ncols); for idx = 1:ncols avgs(idx) = mean(m.stocks(:,idx)); end 3. 开启写权限 filename = 'myFile.mat'; m = matfile(filename,'Writable',true); 或者 m.Properties.Writable = true;
第6章matlab数据分析与多项式计算_习题答案
第6章 MATLAB数据分析与多项式计算 习题6 一、选择题 1．设A=[1,2,3,4,5;3,4,5,6,7]，则min(max(A))的值是（）。B A．1 B．3 C．5 D．7 2．已知a为3×3矩阵，则运行mean(a)命令是（）。B A．计算a每行的平均值 B．计算a每列的平均值 C．a增加一行平均值 D．a增加一列平均值 3．在MATLAB命令行窗口输入下列命令： >> x=[1,2,3,4]; >> y=polyval(x,1); 则y的值为（）。 D A．5 B．8 C．24 D．10 4．设P是多项式系数向量，A为方阵，则函数polyval(P,A)与函数polyvalm(P,A)的值（）。D A．一个是标量，一个是方阵 B．都是标量 C．值相等 D．值不相等 5．在MATLAB命令行窗口输入下列命令： >> A=[1,0,-2]; >> x=roots(A); 则x(1)的值为（）。 C A．1 B．-2 C． D． 6．关于数据插值与曲线拟合，下列说法不正确的是（）。A A．3次样条方法的插值结果肯定比线性插值方法精度高。 B．插值函数是必须满足原始数据点坐标，而拟合函数则是整体最接近原始数据点，而不一定要必须经过原始数据点。 C．曲线拟合常常采用最小二乘原理，即要求拟合函数与原始数据的均方误差达到极小。 D．插值和拟合都是通过已知数据集来求取未知点的函数值。 二、填空题 1．设A=[1,2,3;10 20 30;4 5 6]，则sum(A)= ，median(A)= 。 [15 27 39]，[4 5 6[ 2．向量[2,0,-1]所代表的多项式是。2x2-1 3．为了求ax2+bx+c=0的根，相应的命令是（假定a、b、c已经赋值）。为了
MATLAB常用工具箱及常用函数
常用工具箱 MATLAB包括拥有数百个内部函数的主包和三十几种工具包。工具包又可以分为功能性工具包和学科工具包。功能工具包用来扩充MATLAB的符号计算，可视化建模仿真，文字处理及实时控制等功能。学科工具包是专业性比较强的工具包，控制工具包，信号处理工具包，通信工具包等都属于此类。 开放性使MATLAB广受用户欢迎。除内部函数外，所有MATLAB主包文件和各种工具包都是可读可修改的文件，用户通过对源程序的修改或加入自己编写程序构造新的专用工具包。 Matlab Main Toolbox——matlab主工具箱 Control System Toolbox——控制系统工具箱 Communication Toolbox——通讯工具箱 Financial Toolbox——财政金融工具箱 System Identification Toolbox——系统辨识工具箱 Fuzzy Logic Toolbox——模糊逻辑工具箱 Higher-Order Spectral Analysis Toolbox——高阶谱分析工具箱 Image Processing Toolbox——图象处理工具箱 computer vision system toolbox----计算机视觉工具箱 LMI Control Toolbox——线性矩阵不等式工具箱 Model predictive Control Toolbox——模型预测控制工具箱 μ-Analysis and Synthesis Toolbox——μ分析工具箱 Neural Network Toolbox——神经网络工具箱
Optimization Toolbox——优化工具箱 Partial Differential Toolbox——偏微分方程工具箱Robust Control Toolbox——鲁棒控制工具箱 Signal Processing Toolbox——信号处理工具箱 Spline Toolbox——样条工具箱 Statistics Toolbox——统计工具箱 Symbolic Math Toolbox——符号数学工具箱 Simulink Toolbox——动态仿真工具箱 Wavele Toolbox——小波工具箱 DSP system toolbox-----DSP处理工具箱 常用函数 Matlab内部常数[2] eps：浮点相对精度 exp：自然对数的底数e i 或j：基本虚数单位 inf 或Inf：无限大，例如1/0 nan或NaN：非数值（Not a number），例如0/0 pi：圆周率p（= 3.1415926...） realmax：系统所能表示的最大数值 realmin：系统所能表示的最小数值 nargin: 函数的输入引数个数
基于MATLAB的EXCEL数据计算与分析
基于MATLAB的EXCEL数据计算与分析 潜刘方 摘要：再怎么样希望先看摘要，阅读本文需要一定的MA TLAB基础知识，不需要excel相关知识。结合本人近期工作上的需要测量计算，想偷懒就选择了利用MATLAB偷懒，于是便有了本文。本文首先利用MA TLAB读取数据，计算，将数据写入excel，然后花了很大的精力来根据实际需要画图，最后将图保存在excel所在的文件夹下。这个m文件可谓花了我不少的时间和精力。最后根据m文件的不足（不能将图形输入到excel文档当中），进一步弥补这不足，就有了exlink（也叫excel link），在网上搜索了相关的知识，发现很多关于exlink 的培训，觉得实在可笑，所以就将exlink的使用写的比较详细，以供读者自行分析体会。关键字：MATLAB excel exlink 接口 一、前沿 MATLAB是一款应用在各个领域的数学软件，最初叫做矩阵实验室，专用于矩阵的运算，后来的版本再各个领域都得到了很好的应用，比如：通信、电力电子、电机控制、运动控制、计算机控制、自动控制，DSP数字信号处理。但是MATLAB对于数据的处理与可视化是很多软件所不能及的。 EXCEL作为办公必备软件，能对简单数据分析计算与作图分析，但是处理复杂数据显得力不从心，比如三维作图就无法利用EXCEL作出；EXCEL本身的函数远远没有MATLAB 多，MATLAB作为数据有其独特的优势，集成了很多数学函数，包括数据拟合差值等。MATLAB 可以从EXCEL中读取数据，经过相关运算之后又可以将数据写入EXCEL，假如需要重复性的对excel可以利用MATLAB编写函数，每次只要运行MATLAB程序就可以完成，大大节省时间和精力。 另外，MATLAB还有与EXCEL的接口，叫做EXLINK，运用这个接口可以在excel中完成MATLAB函数的调用，还能传送数据给MATLAB，从MATLAB当中读取数据，从MATLAB 当中读取图形，使用方便，操作简单。 二、基于MATLAB的数据分析 数据分析操作流程主要分为三步：第一步，从excel中读取数据；第二部：利用MATLAB 大量函数对数据分析处理；第三步：将分析结果写入excel中。在整个过程中，不需要打开excel软件，操作十分方便，每次操作唯一要做就是修改excel所在的目录及文件名。主要函数如下（具体使用方法可在MATLAB命令窗口输入help +函数名查看）：Xlsread 从excel中读数据 Xlswrite 向excel中邪数据 num2str 将数字转换为字符串 strncmp 字符串比较 polyfit 数据拟合 polyval 具体数值代入求值 plot 作图
matlab工具箱函数
matlab工具箱函数汇总 2008年11月10日星期一下午 05:19 表Ⅰ-4 随机数生成器函数 函数对应分布的随机数生成器 betarnd 贝塔分布的随机数生成器 binornd 二项分布的随机数生成器 chi2rnd 卡方分布的随机数生成器 exprnd 指数分布的随机数生成器 frnd f分布的随机数生成器 gamrnd 伽玛分布的随机数生成器 geornd 几何分布的随机数生成器 hygernd 超几何分布的随机数生成器 lognrnd 对数正态分布的随机数生成器 nbinrnd 负二项分布的随机数生成器 ncfrnd 非中心f分布的随机数生成器 nctrnd 非中心t分布的随机数生成器 ncx2rnd 非中心卡方分布的随机数生成器 normrnd 正态（高斯）分布的随机数生成器 poissrnd 泊松分布的随机数生成器 raylrnd 瑞利分布的随机数生成器 trnd 学生氏t分布的随机数生成器 unidrnd 离散均匀分布的随机数生成器 unifrnd 连续均匀分布的随机数生成器 weibrnd 威布尔分布的随机数生成器 -------------------------------------------------------------------------------- 表Ⅰ-5 分布函数的统计量函数 函数名对应分布的统计量 betastat 贝塔分布函数的统计量 binostat 二项分布函数的统计量 chi2stat 卡方分布函数的统计量 expstat 指数分布函数的统计量 fstat f分布函数的统计量 gamstat 伽玛分布函数的统计量 geostat 几何分布函数的统计量 hygestat 超几何分布函数的统计量 lognstat 对数正态分布函数的统计量 nbinstat 负二项分布函数的统计量 ncfstat 非中心f分布函数的统计量 nctstat 非中心t分布函数的统计量
MATLAB小波分析工具箱常用函数
matlab小波分析工具箱常用函数 1.Cwt :一维连续小波变换 格式：coefs=cwt(s,scales,'wavename') coefs=cwt(s,scales,'wavename','plot') scales:尺度向量，可以为离散值，表示为[a1,a2,a3……]，也可为连续值，表示为[amin:step:amax] 2.dwt:单尺度一维离散小波变换 格式：[ca,cd]=dwt(x,'wavename') [ca,cd]=dwt(x,lo-d,hi-d) 先利用小波滤波器指令wfilters求取分解用低通滤波器lo-d和高通滤波器hi-d。 [lo-d,hi-d]=wfilters('haar','d');[ca,cd]=dwt(s,lo-d,hi-d) 3.idwt:单尺度一维离散小波逆变换 4.wfilters 格式：[lo-d,hi-d,lo-r,hi-r]=wfilters('wname') [f1,f2]=wfilters('wname','type') type=d(分解滤波器)、R(重构滤波器)、l(低通滤波器)、h(高通滤波器) 5.dwtmode 离散小波变换模式 格式：dwtmode dwtmode('mode') mode:zdp补零模式，sym对称延拓模式，spd平滑模式 6.wavedec多尺度一维小波分解 格式：[c,l]=wavedec(x,n,'wname') [c,l]=wavedec(x,n,lo-d,hi-d) 7.appcoef 提取一维小波变换低频系数 格式：A=appcoef(c,l,'wavename',N) A=appcoef(c,l,lo-d,hi-d,N) N是尺度，可省略 例： load leleccum; s=leleccum(1:2000) subplot(421) plot(s); title('原始信号') [c,l]=wavedec(s,3,'db1'); ca1=appcoef(c,l,'db1',1); subplot(445) plot(ca1); ylabel('ca1'); ca2=appcoef(c,l,'db1',2); subplot(4,8,17) plot(ca2); ylabel('ca2'); 8.detcoef 提取一维小波变换高频系数 格式：d=detcoef(c,l,N),N尺度的高频系数
MATLABANN工具箱实用指南
Matlab的神经网络工具箱实用指南 文章摘要:第一章是神经网络的基本介绍，第二章包括了由工具箱指定的有关网络结构和符号的基本材料以及建立神经网络的一些基本函数，例如new、init、adapt和train。第三章以反向传播网络为例讲解了反向传播网络的原理和应用的基本过程。 第一章介绍 1．神经网络 神经网络是单个并行处理元素的集合，我们从生物学神经系统得到启发。在自然界，网络功能主要由神经节决定，我们可以通过改变连接点的权重来训练神经网络完成特定的功能。 一般的神经网络都是可调节的，或者说可训练的，这样一个特定的输入便可得到要求的输出。如下图所示。这里，网络根据输出和目标的比较而调整，直到网络输出和目标匹配。作为典型，许多输入/目标对应的方法已被用在有监督模式中来训练神经网络。 神经网络已经在各个领域中应用，以实现各种复杂的功能。这些领域包括：模式识别、鉴定、分类、语音、翻译和控制系统。 如今神经网络能够用来解决常规计算机和人难以解决的问题。我们主要通过这个工具箱来建立示范的神经网络系统，并应用到工程、金融和其他实际项目中去。 一般普遍使用有监督训练方法，但是也能够通过无监督的训练方法或者直接设计得到其他的神经网络。无监督网络可以被应用在数据组的辨别上。一些线形网络和Hopfield网络是直接设计的。总的来说，有各种各样的设计和学习方法来增强用户的选择。 神经网络领域已经有50年的历史了，但是实际的应用却是在最近15年里，如今神经网络仍快速发展着。因此，它显然不同与控制系统和最优化系统领域，它们的术语、数学理论和设计过程都已牢固的建立和应用了好多年。我们没有把神经网络工具箱仅看作一个能正常运行的建好的处理轮廓。我们宁愿希望它能成为一个有用的工业、教育和研究工具，一个能够帮助用户找到什么能够做什么不能做的工具，一个能够帮助发展和拓宽神经网络领域的工具。因为这个领域和它的材料是如此新，这个工具箱将给我们解释处理过程，讲述怎样运用它们，并且举例说明它们的成功和失败。我们相信要成功和满意的使用这个工具箱，对范例
MATLAB神经网络工具箱函数
MATLAB 神经网络工具箱函数 说明：本文档中所列出的函数适用于MATLAB5.3 以上版本，为了简明起见，只列出了函数名， 若需要进一步的说明，请参阅MATLAB 的帮助文档。 1. 网络创建函数 newp 创建感知器网络 newlind 设计一线性层 newlin 创建一线性层 newff 创建一前馈BP 网络 newcf 创建一多层前馈BP 网络 newfftd 创建一前馈输入延迟BP 网络 newrb 设计一径向基网络 newrbe 设计一严格的径向基网络 newgrnn 设计一广义回归神经网络 newpnn 设计一概率神经网络 newc 创建一竞争层 newsom 创建一自组织特征映射 newhop 创建一Hopfield 递归网络 newelm 创建一Elman 递归网络 2. 网络应用函数 sim 仿真一个神经网络 init 初始化一个神经网络 adapt 神经网络的自适应化 train 训练一个神经网络 3. 权函数 dotprod 权函数的点积 ddotprod 权函数点积的导数 dist Euclidean 距离权函数 normprod 规范点积权函数 negdist Negative 距离权函数 mandist Manhattan 距离权函数 linkdist Link 距离权函数 4. 网络输入函数 netsum 网络输入函数的求和 dnetsum 网络输入函数求和的导数 5. 传递函数 hardlim 硬限幅传递函数 hardlims 对称硬限幅传递函数 purelin 线性传递函数 tansig 正切S 型传递函数 logsig 对数S 型传递函数 dpurelin 线性传递函数的导数 dtansig 正切S 型传递函数的导数dlogsig 对数S 型传递函数的导数
第6章MATLAB数据分析与多项式计算_习题答案
第6章MATLAB数据分析与多项式计算 习题6 一、选择题 1. 设A=[1,2,3,4,5;3,4,5,6,7]，贝U min(max(A))的值是( )。B A . 1 B . 3 C. 5 D. 7 2. 已知a为3X3矩阵，则运行mean(a)命令是( )。B A .计算a每行的平均值B.计算a每列的平均值 C. a增加一行平均值 D. a增加一列平均值 3 .在MATLAB命令行窗口输入下列命令： >> x=[1,2,3,4]; >> y=polyval(x,1); 则y的值为( )。D A . 5 B . 8 C. 24 D. 10 4 .设P是多项式系数向量，A为方阵，则函数polyval(P,A)与函数polyvalm(P,A)的值( )。D A .一个是标量，一个是方阵 B .都是标量 C .值相等 D .值不相等 5. 在MATLAB命令行窗口输入下列命令： >> A=[1,0,-2]; >> x=roots(A); 则x(1)的值为( )。C A . 1 B . -2 C. 1.4142 D . -1.4142 6. 关于数据插值与曲线拟合，下列说法不正确的是( )。A A. 3次样条方法的插值结果肯定比线性插值方法精度高。 B .插值函数是必须满足原始数据点坐标，而拟合函数则是整体最接近原始数据点，而不一定要必须经过原始数据点。 C .曲线拟合常常采用最小二乘原理，即要求拟合函数与原始数据的均方误差达到极小。 D .插值和拟合都是通过已知数据集来求取未知点的函数值。 二、填空题 1.设A=[1,2,3;10 20 30;4 5 6]，贝U sum(A)= ________ , median(A)= ________ 。
Matlab 实例教程：PDE工具箱函数用法讲解
Matlab 实例教程：PDE工具箱函数用法讲解 Matlab工具箱中任何功能都能用命令行的形式解决，对于一些复杂的问题，gui形式是解决不了的，这时就必须用命令行形式自己编程来解决问题。最近查看了一些pde工具箱中的函数，对两个函数的用法做一些说明。 PDE解决问题流程与一般的fam方法一样，先画出几何模型，再画网格，加边界、载荷，求解。MATLAB中的画几何命令有两种方式，其中一种方式是自己编写m文件，MATLAB中的命令是pdegeom，实际上这不是一个命令，而是要用户自己编写的一个几何m文件。在网上找了半天，也没见有人介绍过这个函数的用法，网上大多数只是列出pde中的函数而已，感叹一下….这个函数名可以任意，假设为tt，参数有两个（bs,s）如果输入参数为0，1时，函数也必须要能有返回值。函数的意义为： 参数为0个，即没有参数时，返回边界总共段数。 参数为1个是，即只有bs，返回边界指定段的参变量范围。 参数为2个时，返回每段边界长度为s时的坐标。 函数参数意义bs表示几何边界段数，如矩形，边界为四段，三角开边界肯定为三段….s为第bs段时的长度，bs与s可以为向量，但是要一一对应，即bs为几个值，s也得为几个值。 下面具体来讲下函数如何实现当参数为2时的返回值。其实函数中实现的内容是指用一个参变量来控制指定段的边界坐标，也就是说对任意一段边界，上面的坐标设为参变量的函数，假设参变
量为t,则对任一边界，坐标为(x(t),y(t))，参变量的范围由用户自己定义。由以上可以看出，参变量其实有无穷多种取法，看自己怎么设定而已。 例如：一个矩形，四条边，返回每一段对应长度的坐标，m文件为： function [x,y]=tt(bs,s); ux=1; uy=1; nbs=4; //表示有四段 if nargin==0 x=nbs; return end dl=[0,0,0,0; //参变量t范围，第一行为起始值，第二行为结束值，这两个值理论 3,1,2,3; //可以任意设置，只要后面能对应求出边界上坐标(x(t),y(t))就行 1,1,1,1; //第三行指面积在边界左侧 0,0,0,0,]; //第四行指面积在边界右侧 if nargin==1 x=dl(:,bs); return;
MATLAB模型预测控制工具箱函数
M A T L A B模型预测控制工具箱函数 8.2 系统模型建立与转换函数 前面读者论坛了利用系统输入/输出数据进行系统模型辨识的有关函数及使用方法，为时行模型预测控制器的设计，需要对系统模型进行进一步的处理和转换。MATLAB的模型预测控制工具箱中提供了一系列函数完成多种模型转换和复杂系统模型的建立功能。 在模型预测控制工具箱中使用了两种专用的系统模型格式，即MPC状态空间模型和MPC传递函数模型。这两种模型格式分别是状态空间模型和传递函数模型在模型预测控制工具箱中的特殊表达形式。这种模型格式化可以同时支持连续和离散系统模型的表达，在MPC传递函数模型中还增加了对纯时延的支持。表8-2列出了模型预测控制工具箱的模型建立与转换函数。 表8-2 模型建立与转换函数 8.2.1 模型转换 在MATLAB模型预测工具箱中支持多种系统模型格式。这些模型格式包括： ①通用状态空间模型； ②通用传递函数模型； ③MPC阶跃响应模型； ④MPC状态空间模型；
⑤MPC传递函数模型。 在上述5种模型格式中，前两种模型格式是MATLAB通用的模型格式，在其他控制类工具箱中，如控制系统工具箱、鲁棒控制工具等都予以支持；而后三种模型格式化则是模型预测控制工具箱特有的。其中，MPC状态空间模型和MPC传递函数模型是通用的状态空间模型和传递函数模型在模型预测控制工具箱中采用的增广格式。模型预测控制工具箱提供了若干函数，用于完成上述模型格式间的转换功能。下面对这些函数的用法加以介绍。 1．通用状态空间模型与MPC状态空间模型之间的转换 MPC状态空间模型在通用状态空间模型的基础上增加了对系统输入/输出扰动和采样周期的描述信息，函数ss2mod()和mod2ss()用于实现这两种模型格式之间的转换。 1）通用状态空间模型转换为MPC状态空间模型函数ss2mod() 该函数的调用格式为 pmod= ss2mod(A,B,C,D) pmod= ss2mod(A,B,C,D,minfo) pmod= ss2mod(A,B,C,D,minfo,x0,u0,y0,f0) 式中，A, B, C, D为通用状态空间矩阵； minfo为构成MPC状态空间模型的其他描述信息，为7个元素的向量，各元素分别定义为： ◆minfo(1)=dt，系统采样周期，默认值为1； ◆minfo(2)=n，系统阶次，默认值为系统矩阵A的阶次； ◆minfo(3)=nu，受控输入的个数，默认值为系统输入的维数； ◆minfo(4)=nd，测量扰的数目，默认值为0； ◆minfo(5)=nw，未测量扰动的数目，默认值为0； ◆minfo(6)=nym，测量输出的数目，默认值系统输出的维数； ◆minfo(7)=nyu，未测量输出的数目，默认值为0； 注：如果在输入参数中没有指定m i n f o，则取默认值。 x0, u0, y0, f0为线性化条件，默认值均为0； pmod为系统的MPC状态空间模型格式。 例8-5将如下以传递函数表示的系统模型转换为MPC状态空间模型。 解：MATLAB命令如下：
引用matlab遗传算法工具箱函数及实例讲解解读
引用 matlab遗传算法工具箱函数及实例讲解郭玲霞 https://www.sodocs.net/doc/861543766.html,/purplelily88 2008-10-21 16:52:52 引用 matlab遗传算法工具箱函数及实例讲解 2008-10-20 23:04 郭玲霞 看文章 核心函数: (1function [pop]=initializega(num,bounds,eevalFN,eevalOps,options--初始种群的生成函数 【输出参数】 pop--生成的初始种群 【输入参数】 num--种群中的个体数目 bounds--代表变量的上下界的矩阵 eevalFN--适应度函数 eevalOps--传递给适应度函数的参数 options--选择编码形式(浮点编码或是二进制编码[precision F_or_B],如precision--变量进行二进制编码时指定的精度 F_or_B--为1时选择浮点编码,否则为二进制编码,由precision指定精度
(2function [x,endPop,bPop,traceInfo] = ga (bounds,evalFN,evalOps,startPop,opts,... termFN,termOps,selectFN,selectOps,xOverFNs,xOverOps,mutFNs,mutOps--遗传算法函数 【输出参数】 x--求得的最优解 endPop--最终得到的种群 bPop--最优种群的一个搜索轨迹 【输入参数】 bounds--代表变量上下界的矩阵 evalFN--适应度函数 evalOps--传递给适应度函数的参数 startPop-初始种群 opts[epsilon prob_ops display]--opts(1:2等同于initializega的options参数,第三个参数控制是否输出,一般为0。如[1e-6 1 0] termFN--终止函数的名称,如['maxGenTerm'] termOps--传递个终止函数的参数,如[100] selectFN--选择函数的名称,如['normGeomSelect'] selectOps--传递个选择函数的参数,如[0.08]
matlab遗传算法工具箱函数及实例讲解3
matlab遗传算法工具箱函数及实例讲解1 核心函数： (1)function [pop]=initializega(num,bounds,eevalFN,eevalOps,options)--初始种群的生成函数 【输出参数】 pop--生成的初始种群 【输入参数】 num--种群中的个体数目 bounds--代表变量的上下界的矩阵 eevalFN--适应度函数 eevalOps--传递给适应度函数的参数 options--选择编码形式(浮点编码或是二进制编码)[precision F_or_B],如 precision--变量进行二进制编码时指定的精度 F_or_B--为1时选择浮点编码，否则为二进制编码,由precision指定精度) (2)function [x,endPop,bPop,traceInfo] = ga(bounds,evalFN,evalOps,startPop,opts, ... termFN,termOps,selectFN,selectOps,xOverFNs,xOverOps,mutFNs,mutOps)--遗传算法函数 【输出参数】 x--求得的最优解 endPop--最终得到的种群 bPop--最优种群的一个搜索轨迹 【输入参数】 bounds--代表变量上下界的矩阵 evalFN--适应度函数 evalOps--传递给适应度函数的参数 startPop-初始种群 opts[epsilon prob_ops display]--opts(1:2)等同于initializega的options参数，第三个参数控制是否输出，一般为0。如[1e-6 1 0] termFN--终止函数的名称,如['maxGenTerm'] termOps--传递个终止函数的参数,如[100] selectFN--选择函数的名称,如['normGeomSelect'] selectOps--传递个选择函数的参数,如[0.08] xOverFNs--交叉函数名称表，以空格分开，如 ['arithXover heuristicXover simpleXover'] xOverOps--传递给交叉函数的参数表，如[2 0;2 3;2 0] mutFNs--变异函数表，如 ['boundaryMutation multiNonUnifMutation nonUnifMutation unifMutation'] mutOps--传递给交叉函数的参数表,如[4 0 0;6 100 3;4 100 3;4 0 0] 注意】matlab工具箱函数必须放在工作目录下 【问题】求f(x)=x+10*sin(5x)+7*cos(4x)的最大值，其中0<=x<=9 【分析】选择二进制编码，种群中的个体数目为10，二进制编码长度为20，交叉概率为0.95,
Matlab优化工具箱函数简介
Matlaｂ优化工具箱函数简介 一维搜索问题ｆmiｎbnd 无约束极小值fmｉｎｕnc, fｍinsearch 约束极小值fmｉncon 线性规划linｐrog 二次规划quadｐrｏg 1．一维搜索问题 优化工具箱函数ｆｍｉnbnｄ 对应问题:miｎf(ｘ) x１