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
|
4天前
|
算法 数据安全/隐私保护 计算机视觉
基于FPGA的图像双线性插值算法verilog实现,包括tb测试文件和MATLAB辅助验证
本项目展示了256×256图像通过双线性插值放大至512×512的效果,无水印展示。使用Matlab 2022a和Vivado 2019.2开发,提供完整代码及详细中文注释、操作视频。核心程序实现图像缩放,并在Matlab中验证效果。双线性插值算法通过FPGA高效实现图像缩放,确保质量。
|
2月前
|
算法
基于Adaboost模型的数据预测和分类matlab仿真
AdaBoost(Adaptive Boosting)是一种由Yoav Freund和Robert Schapire于1995年提出的集成学习方法,旨在通过迭代训练多个弱分类器并赋予分类效果好的弱分类器更高权重,最终构建一个强分类器。该方法通过逐步调整样本权重,使算法更关注前一轮中被误分类的样本,从而逐步优化模型。示例代码在MATLAB 2022A版本中运行,展示了随着弱分类器数量增加,分类错误率的变化及测试数据的分类结果。
213 13
|
6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
252 1
|
6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】
103 4
|
6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】
135 1
|
6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。
205 1
|
7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。
143 10
|
8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 ```
|
8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。
135 6
|
8月前
|
机器学习/深度学习 算法
基于蛙跳优化的神经网络数据预测matlab仿真
使用MATLAB2022a,应用蛙跳优化算法(SFLA)调整神经网络权重,提升预测精度,输出预测曲线。神经网络结合输入、隐藏和输出层进行预测,蛙跳算法模仿蛙群觅食行为优化权重和阈值。算法流程包括蛙群初始化、子群划分、局部搜索及适应度更新,直至满足停止条件。优化后的神经网络能提升预测性能。

热门文章

最新文章