matlab处理txt文件数据

简介: read_txtfile.,mclearclose allclc%load函数一般将用来导入纯数字的文件,可以是文本格式的文件或者是matlab保存的mat格式的文件position=load('坐标点.

read_txtfile.,m

clear
close all
clc
%load函数一般将用来导入纯数字的文件,可以是文本格式的文件或者是matlab保存的mat格式的文件
position=load('坐标点.txt');   %将.txt数据读入到matlab工作空间

[m,n]=size(position);    %获得数据矩阵的大小
j=1;
sumx=0;
sumy=0;
for i=1:10
    sumx=sumx+position(i,1);
    sumy=sumy+position(i,2);
end
ave(j,1)=sumx/10;ave(j,2)=sumy/10;  %求平均值并存在ave中
j=j+1;
sumx=0;
sumy=0;
for i=11:19
    sumx=sumx+position(i,1);
    sumy=sumy+position(i,2);
end
ave(j,1)=sumx/9;ave(j,2)=sumy/9;
j=j+1;
sumx=0;
sumy=0;
for i=20:24
sumx=sumx+position(i,1);
sumy=sumy+position(i,2);
end
ave(j,1)=sumx/5;ave(j,2)=sumy/5;
j=j+1;
sumx=0;
sumy=0;
for i=25:34
sumx=sumx+position(i,1);
sumy=sumy+position(i,2);
end
ave(j,1)=sumx/10;ave(j,2)=sumy/10;
j=j+1;
sumx=0;
sumy=0;
for i=35:41
sumx=sumx+position(i,1);
sumy=sumy+position(i,2);
end
ave(j,1)=sumx/7;ave(j,2)=sumy/7;
j=j+1;
sumx=0;
sumy=0;
for i=42:47
sumx=sumx+position(i,1);
sumy=sumy+position(i,2);
end
ave(j,1)=sumx/6;ave(j,2)=sumy/6;
j=j+1;
sumx=0;
sumy=0;
for i=48:53
sumx=sumx+position(i,1);
sumy=sumy+position(i,2);
end
ave(j,1)=sumx/6;ave(j,2)=sumy/6;
j=j+1;
sumx=0;
sumy=0;
for i=54:58
sumx=sumx+position(i,1);
sumy=sumy+position(i,2);
end
ave(j,1)=sumx/5;ave(j,2)=sumy/5;
j=j+1;
sumx=0;
sumy=0;
for i=59:63
sumx=sumx+position(i,1);
sumy=sumy+position(i,2);
end
ave(j,1)=sumx/5;ave(j,2)=sumy/5;
j=j+1;
sumx=0;
sumy=0;
for i=64:68
sumx=sumx+position(i,1);
sumy=sumy+position(i,2);
end
ave(j,1)=sumx/5;ave(j,2)=sumy/5;

save('ave.txt','ave','-ASCII');     %将变量ave的数据写入ave.txt文件并保存,使用ASCII格式
save('test.txt','-ASCII')   %把当前工作空间的所有变量保存到test.txt文件中


ave变量数据



坐标点.txt数据

264,715  
258,719  
274,728  
264,728  
254,728  
257,733  
260,731  
262,733  
268,733  
270,739  
225,605  
223,598  
210,605  
220,610  
223,615  
209,615  
230,620  
220,622  
205,618  
168,538  
168,542  
164,544  
168,545  
174,544  
210,455  
180,455  
175,452  
170,453  
185,460  
178,460  
190,470  
183,473  
175,472  
180,476  
120,400  
119,388  
112,394  
125,410  
114,405  
116,410  
113,416  
96,304  
88,305  
100,312  
93,311  
86,310  
94,315  
10,451  
11,449  
13,450  
16,450  
12,453  
15,455  
162,660  
161,659  
159,659  
160,657  
164,658  
110,561  
110,563  
110,565  
109,567  
112,568  
105,473  
106,471  
103,473  
107,475  
104,477  



相关文章
|
3月前
|
JSON 数据格式 Python
【2023最新】Matlab 保存JSON数据集文件,并用Python读取
本文介绍了如何使用MATLAB生成包含数据和标签的JSON格式数据集文件,并展示了用Python读取该JSON文件作为训练集的方法。
128 1
|
3月前
Matlab批量修改指定文件下文件名
Matlab批量修改指定文件下文件名
179 1
|
3月前
|
存储 算法 Serverless
【matlab】matlab基于DTW和HMM方法数字语音识别系统(源码+音频文件+GUI界面)【独一无二】
【matlab】matlab基于DTW和HMM方法数字语音识别系统(源码+音频文件+GUI界面)【独一无二】
|
3月前
|
存储 Serverless
【matlab】matlab实现倒谱法基音频率检测和共振峰检测(源码+音频文件)【独一无二】
【matlab】matlab实现倒谱法基音频率检测和共振峰检测(源码+音频文件)【独一无二】
|
4月前
|
机器学习/深度学习 算法 数据挖掘
基于改进K-means的网络数据聚类算法matlab仿真
**摘要:** K-means聚类算法分析,利用MATLAB2022a进行实现。算法基于最小化误差平方和,优点在于简单快速,适合大数据集,但易受初始值影响。文中探讨了该依赖性并通过实验展示了随机初始值对结果的敏感性。针对传统算法的局限,提出改进版解决孤点影响和K值选择问题。代码中遍历不同K值,计算距离代价,寻找最优聚类数。最终应用改进后的K-means进行聚类分析。
|
5月前
|
算法 计算机视觉 异构计算
基于FPGA的图像一维FFT变换IFFT逆变换verilog实现,包含tb测试文件和MATLAB辅助验证
```markdown ## FPGA 仿真与 MATLAB 显示 - 图像处理的 FFT/IFFT FPGA 实现在 Vivado 2019.2 中仿真,结果通过 MATLAB 2022a 展示 - 核心代码片段:`Ddddddddddddddd` - 理论:FPGA 实现的一维 FFT/IFFT,加速数字信号处理,适用于高计算需求的图像应用,如压缩、滤波和识别 ```
|
5月前
|
机器学习/深度学习 算法 数据可视化
m基于PSO-LSTM粒子群优化长短记忆网络的电力负荷数据预测算法matlab仿真
在MATLAB 2022a中,应用PSO优化的LSTM模型提升了电力负荷预测效果。优化前预测波动大,优化后预测更稳定。PSO借鉴群体智能,寻找LSTM超参数(如学习率、隐藏层大小)的最优组合,以最小化误差。LSTM通过门控机制处理序列数据。代码显示了模型训练、预测及误差可视化过程。经过优化,模型性能得到改善。
109 6
|
5月前
|
机器学习/深度学习 算法 计算机视觉
基于CNN卷积神经网络的金融数据预测matlab仿真,带GUI界面,对比BP,RBF,LSTM
这是一个基于MATLAB2022A的金融数据预测仿真项目,采用GUI界面,比较了CNN、BP、RBF和LSTM四种模型。CNN和LSTM作为深度学习技术,擅长序列数据预测,其中LSTM能有效处理长序列。BP网络通过多层非线性变换处理非线性关系,而RBF网络利用径向基函数进行函数拟合和分类。项目展示了不同模型在金融预测领域的应用和优势。
|
5月前
|
算法 计算机视觉 异构计算
基于FPGA的图像直方图均衡化处理verilog实现,包含tb测试文件和MATLAB辅助验证
摘要: 在FPGA上实现了图像直方图均衡化算法,通过MATLAB2022a与Vivado2019.2进行仿真和验证。核心程序涉及灰度直方图计算、累积分布及映射变换。算法旨在提升图像全局对比度,尤其适合低对比度图像。FPGA利用可编程增益器和查表技术加速硬件处理,实现像素灰度的均匀重分布,提升视觉效果。![image preview](https://ucc.alicdn.com/pic/developer-ecology/3tnl7rfrqv6tw_a075525027db4afbb9c0529921fd0152.png)
|
6月前
|
机器学习/深度学习 算法
m基于GA-GRU遗传优化门控循环单元网络的电力负荷数据预测算法matlab仿真
在MATLAB 2022a中,一个基于遗传算法优化的GRU网络展示显著优化效果。优化前后的电力负荷预测图表显示了改进的预测准确性和效率。GRU,作为RNN的一种形式,解决了长期依赖问题,而遗传算法用于优化其超参数,如学习率和隐藏层单元数。核心MATLAB程序执行超过30分钟,通过迭代和适应度评估寻找最佳超参数,最终构建优化的GRU模型进行负荷预测,结果显示预测误差和模型性能的提升。
186 4

热门文章

最新文章

下一篇
无影云桌面