文章目錄

• 一、基礎知識
• • 1. 如何獲取幫助
  • 2、程序的分節與注釋
  • 3、 矩陣的基本操作
  • 4、函數的創建與引用
  • 5、快捷繪圖方式
  • 6、常用標點的功能
  • 7、常用操作指令
  • 8、Matlab開發模式
  • 9、機器學習的方法
  • • （1）分類方法
    • （2）聚類方法
  • 10、深度學習的訓練方法
  • 11、神經網絡的原理
• 二、快速入門
• • 1. 繪圖x-y圖像
  • 2、讀取數據
  • 3、讀取圖片
  • 4、讀取視頻
  • 5、數據的預處理
  • 6、數據的可視化
  • 7、數據降維
• 三、常見的數學建模
• • 1、評估股票的風險和價值
  • 2、一元線性回歸
  • • （1）一元線性回歸
    • （2）非線性回歸
  • 3、灰色預測方法
  • 4、規劃問題
  • 5、全局優化算法
  • 第九章未完......

一、基礎知識

1. 如何獲取幫助

2、程序的分節與注釋

3、 矩陣的基本操作

https://blog.csdn.net/u014421797/article/details/81274543

4、函數的創建與引用

https://blog.csdn.net/Avici0929/article/details/89163803

5、快捷繪圖方式

https://blog.csdn.net/qq_42764468/article/details/99828108

6、常用標點的功能

• , ——要顯示計算結果的指令與其后面指令之間的分隔；輸入量與輸入量之間的分隔；數組元素的分隔
• ; ——結尾標志；數組行間的分隔
• : ——生成一維數組；用作單下標援引時，表示全部元素構成的長列；用作多下標援引時，表示維度上的全部元素
• % ——注釋符號
• ’ ’ ——字符串標識符
• () ——數組援引時用；函數指令時表示輸入變量
• [] ——輸入數組時用；函數指令時表示輸出變量
• {} ——元胞數組標記符
• (…) ——續行號

7、常用操作指令

8、Matlab開發模式

命令行模式、腳本模式、面向對象模式三者相互配合、不斷提升

面向對象——將重復使用的腳本抽象成函數

9、機器學習的方法

（1）分類方法

K-近鄰分類：計算每個訓練樣例到待分類樣品的距離，取和待分類樣品距離最近的k個訓練樣例，k個樣品中哪個類別的訓練樣例占多數，則待分類元組就屬于哪個類別

貝葉斯分類

支持向量機分類

（2）聚類方法

K-means聚類

層次聚類

模糊C-均值聚類

10、深度學習的訓練方法

自底向上的非監督學習：從底層開始，一層一層地往頂層訓練

自頂向下的監督學習：通過帶標簽的數據去訓練，誤差自頂向下傳輸，對網絡進行微調

11、神經網絡的原理

人工神經網絡ANN：應用類似于大腦神經突觸連接的結構進行信息處理的數學模型，神經網絡通常需要進行訓練，訓練的過程就是網絡進行學習的過程，訓練改變了網絡結點的連接權的值，使其具有分類的功能。

二、快速入門

1. 繪圖x-y圖像

導入xls文件的數據，輸出數值矩陣，導入所選內容

在工作區可以看到導入的列矩陣

腳本如下：

x=test1(:,1);
y=test1(:,2);
plot(x,y)

結果：

2、讀取數據

從EXCEL讀取數據
a=xlsread(‘D:CO2.xlsx’,2,‘A1:B5’);

• 2表示Sheet2
• 寫入用xlswrite

從TXT讀取數據
load(‘***.txt’); //存儲
[A,B,C,D]=textread(‘filename’,‘format’,N,‘headerlines’,M)

format表示讀取變量的字段格式
N表示讀取的次數
headerlines表示從第M+1行開始讀取

printf函數

3、讀取圖片

imread函數

2013年碎紙機切割問題

4、讀取視頻

5、數據的預處理

缺失值處理：刪除法、插補法

噪聲過濾：回歸法、均值平滑法、離群點分析法、低通濾波

數據集成

數據歸約

數據變換：標準化、離散化、語義轉換

6、數據的可視化

基本可視化

數據分布形狀可視化——柱狀分布圖

數據關聯可視化——各變量之間的關系

數據分組可視化

7、數據降維

PAC基本思想：設法將原來眾多具有一定相關性的變量重新組合成為一組新的相互無關的綜合變量來代替原來的變量。

三、常見的數學建模

1、評估股票的風險和價值

2、一元線性回歸

（1）一元線性回歸

采用LinearModel.fit函數進行線性回歸

m2=LilearModel.fit(x,y);

采用regress函數進行回歸

Y=y’;
X=[ones(size(x,2),1),x’];
[b,bint,r,rint,s]=regress(Y,X);

（2）非線性回歸

3、灰色預測方法

灰色預測方法：常規的一種預測手段，具有操作簡便、所需數據量少等優點，一般主要4個數據就可依據灰色序列進行預測了

白色模型：信息完全透明的模型
黑色模型：對信息一無所知的模型
灰色模型：了解信息但又不能完全掌握的模型

4、規劃問題

線性規劃：linprog函數

非線性回歸：fmincon函數

二次規劃：quadprog函數

0-1整數規劃：inglinprog函數

5、全局優化算法

遺傳算法：ga函數

模擬退火算法：遺傳算法函數simulannealbnd函數

3. 全局優化算法求解器一覽表

第九章未完…

總結

以上是生活随笔為你收集整理的Matlab数学建模笔记的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。