MATLAB快速入门(一):数值数据和字符串

简介: MATLAB快速入门(一):数值数据和字符串

MATLAB数值数据和字符串


1.数值数据类型


整型

无符号8位整数的数据范围:0~


带符号8位整数的数据范围:~,即-128~127


浮点型


single函数:将其他类型的数据转换为单精度型


double函数:将其他类型的数据转换为双精度型


复型


real函数:求复数的实部


imag函数:求复数的虚部


2.数值数据的输出格式


loose:行间距有空行,默认方式


compact: 行间距无空行


format 格式符


例:format long


3.常用函数的应用


三角函数有以弧度为单位的函数和以角度为单位的函数,如果是以角度为单位的函数就在函数名的后面加‘d’


例:


266ab32e82356062af4d8814b9f0fb28_watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBAZGItZG9n,size_15,color_FFFFFF,t_70,g_se,x_16.png


abs函数:求实数的绝对值、复数的模、字符串的ASCII码值

ab60c3ddd5c113fda009c032cadebbdf_watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBAZGItZG9n,size_14,color_FFFFFF,t_70,g_se,x_16.png


 取整函数:


round函数是按照四舍五入的规则取整


ceil是向上取整,取大于等于这个数的第一个数


floor是向下取整,取小于等于这个数的第一个整数


fix是固定取靠近0的那个整数,也就是舍去小数取整


62cf45ed9944110eb2afaaa575c5062d_watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBAZGItZG9n,size_16,color_FFFFFF,t_70,g_se,x_16.png


num2cell函数:将数值矩阵转化为单元矩阵


4.字符串处理


4.1 字符串与数值之间的转换


abs和double函数都可以用来获取字符串矩阵所对应的ASCII码数值矩阵


char函数可以把ASCII码矩阵转换为字符串矩阵


例:


377290816a08dd567288c9322627fd51_watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBAZGItZG9n,size_20,color_FFFFFF,t_70,g_se,x_16.png


4.2 字符串的比较


strcmp(s1,s2):用来比较字符串s1和s2是否相等,如果相等,返回1,否则返回0


strncmp(s1,s2,n):用来比较两个字符串前n个字符是否相等,如果相等,返回1,否则返回0


strcmpi(s1,s2):在忽略字母大小写的前提下,比较比较字符串s1和s2是否相等,如果相等,返回1,否则返回0


strncmpi(s1,s2,n): 在忽略字符串大小写的前提下, 比较两个字符串前n个字符是否相等,如果相等,返回1,否则返回0


4.3字符串的查找与替换


findstr(s1,s2):返回短字符串在长字符串中的开始位置


strrep(s1,s2,s3):将字符串s1中的所有子字符串s2替换为字符串s3


目录
相关文章
|
24天前
|
算法 C++ Windows
基于离散差分法的复杂微分方程组求解matlab数值仿真
本程序基于离散差分法求解复杂微分方程组,将连续微分方程转化为差分方程,采用一阶显式时间格式和一阶偏心空间格式。在MATLAB2022a上测试通过,展示了运行结果。
|
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
|
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。
108 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。
|
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。
185 4
|
5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。
|
5月前
|
机器学习/深度学习 算法
m基于PSO-GRU粒子群优化长门控循环单元网络的电力负荷数据预测算法matlab仿真
摘要: 在MATLAB 2022a中,对比了电力负荷预测算法优化前后的效果。优化前为"Ttttttt111222",优化后为"Tttttttt333444",明显改进体现为"Tttttttttt5555"。该算法结合了粒子群优化(PSO)和长门控循环单元(GRU)网络,利用PSO优化GRU的超参数,提升预测准确性和稳定性。PSO模仿鸟群行为寻找最优解,而GRU通过更新门和重置门处理长期依赖问题。核心MATLAB程序展示了训练和预测过程,包括使用'adam'优化器和超参数调整,最终评估并保存预测结果。
56 0
|
6月前
|
计算机视觉
MATLAB用Lasso回归拟合高维数据和交叉验证
MATLAB用Lasso回归拟合高维数据和交叉验证
|
6月前
|
算法 数据安全/隐私保护
matlab程序,傅里叶变换,频域数据,补零与不补零傅里叶变换
地震波格式转换、时程转换、峰值调整、规范反应谱、计算反应谱、计算持时、生成人工波、时频域转换、数据滤波、基线校正、Arias截波、傅里叶变换、耐震时程曲线、脉冲波合成与提取、三联反应谱、地震动参数、延性反应谱、地震波缩尺、功率谱密度
|
6月前
|
数据安全/隐私保护
matlab 曲线光滑,去毛刺,去离群值,数据滤波,高通滤波,低通滤波,带通滤波,带阻滤波
地震波格式转换、时程转换、峰值调整、规范反应谱、计算反应谱、计算持时、生成人工波、时频域转换、数据滤波、基线校正、Arias截波、傅里叶变换、耐震时程曲线、脉冲波合成与提取、三联反应谱、地震动参数、延性反应谱、地震波缩尺、功率谱密度