专题一MATLAB基础知识——1.1系统环境

简介: 专题一MATLAB基础知识——1.1系统环境

一、MATLAB操作界面的组成


1、MATLAB主窗口

2、命令行窗口

用于输入命令并显示命令的执行结果

3、当前文件夹窗口

指MATLAB运行时的工作文件夹,为了方便管理文件,一般将自己的文件夹设置为当前文件夹,这样用户的操作都将在当前文件夹中进行。设置方法有两种:

1、在当前文件夹工具栏或者当前文件夹窗口选择某文件夹 作为当前文件夹

2、使用cd命令

现在E盘Matlab文件夹里新建一个work文件夹,然后再命令行窗口输入:

cd E:\Matlab\work

如此,work文件夹便为当前文件夹。

注意,所用文件夹必须存在,否则将出现如下报错:

4、工作区窗口

MATLAB用于存储各种变量和结果的内存空间,工作区窗口可用于变量的显示和操作。例如在命令行窗口创建了变量a和x,同时工作区窗口以表格的形式来显示变量a和x 的名称和取值等信息。而且在工作区窗口还可以对变量进行编辑、删除、保存等操作。


二、MATLAB的搜索路径


例如:

可见,命令先调用名为sin的变量。即当遇到有同名的变量名和内部函数名时,变量名优先。所以,今后在定义变量时,一般不要使用已有的特定含义的词。这个规则适用于其他编程习惯。

如果此时依旧要调用sin函数,则可以在MATLAB工作区窗口删除定义的sin变量,那么再用sin就代表内部函数。


如何让设置文件搜索路径:

1、用path命令设置,例如:>> path(path,‘E:\Matlab\Work’)

2、用对话框设置

如果在当前文件夹和搜索路径文件夹下建立一个同名的文件夹,那么在命令行窗口输入文件名时,执行的是当前文件夹下的文件。

目录
相关文章
|
1月前
|
机器学习/深度学习 算法 计算机视觉
m基于yolov2深度学习的车辆检测系统matlab仿真,带GUI操作界面
MATLAB 2022a中实现了YOLOv2目标检测算法的仿真,该算法从Darknet-19提取特征,以实时预测图像内目标的位置和类别。网络结构结合了网格划分、Anchor Boxes和多尺度预测,优化了边界框匹配。核心代码包括数据集划分、预训练ResNet-50加载、YOLOv2网络构建及训练。训练选项设置为GPU加速,使用'sgdm'优化器,200个周期进行训练。
26 2
m基于yolov2深度学习的车辆检测系统matlab仿真,带GUI操作界面
|
1月前
|
算法
m基于OFDM系统的PAPR性能matlab仿真,对比LFDMA,IFDMA,DFDMA
在MATLAB 2022a中,进行了OFDM、LFDMA、IFDMA和DFDMA的PAPR仿真,显示了两种图像结果。PAPR是OFDM系统中的关键指标,影响功率放大器效率。LFDMA通过数据分配减少峰值,IFDMA利用交织子载波,DFDMA则通过时域分布降低峰值。MATLAB程序执行包括数据频域映射、子载波分配、时域转换、脉冲整形和PAPR计算,并根据不同模式和子载波策略保存结果。程序还绘制了PAPR的累积分布函数(CCDF)图,用于比较不同方法的效果。
20 5
|
3天前
|
机器学习/深度学习 存储 算法
m基于Yolov2深度学习网络的螺丝检测系统matlab仿真,带GUI界面
MATLAB 2022a中展示了YOLOv2算法的螺丝检测仿真结果,该系统基于深度学习的YOLOv2网络,有效检测和定位图像中的螺丝。YOLOv2通过批标准化、高分辨率分类器等优化实现速度和精度提升。核心代码部分涉及设置训练和测试数据,调整图像大小,加载预训练模型,构建YOLOv2网络并进行训练,最终保存检测器模型。
20 3
|
8天前
|
机器学习/深度学习 算法 计算机视觉
m基于Yolov2深度学习网络的智能零售柜商品识别系统matlab仿真,带GUI界面
MATLAB 2022a中展示了YOLOv2目标检测算法的仿真结果,包括多张检测图像。YOLOv2是实时检测算法,由卷积层和全连接层构成,输出张量包含边界框坐标和类别概率。损失函数由三部分组成。程序使用75%的数据进行训练,剩余25%作为测试集。通过ResNet-50预训练模型构建YOLOv2网络,并用SGDM优化器进行训练。训练完成后,保存模型为`model.mat`。
23 2
|
12天前
|
机器学习/深度学习 算法 计算机视觉
m基于Yolov2深度学习网络的人体喝水行为视频检测系统matlab仿真,带GUI界面
MATLAB 2022a中使用YOLOv2算法对avi视频进行人体喝水行为检测,结果显示成功检测到目标。该算法基于全卷积网络,通过特征提取、锚框和损失函数优化实现。程序首先打乱并分割数据集,利用预训练的ResNet-50和YOLOv2网络结构进行训练,最后保存模型。
27 5
|
19天前
|
机器学习/深度学习 算法
m基于深度学习的QPSK调制解调系统频偏估计和补偿算法matlab仿真
MATLAB 2022a中展示了基于深度学习的QPSK调制解调系统频偏估计和补偿算法仿真结果。该算法运用神经网络模型实时估计并补偿无线通信中的频率偏移。QPSK调制将二进制信息映射到四个相位状态,解调通常采用相干解调。深度学习算法通过预处理、网络结构设计、损失函数选择和优化算法实现频偏估计。核心程序生成不同SNR下的信号,比较了有无频偏补偿的误码率,显示了补偿效果。
10 1
|
21天前
|
机器学习/深度学习 算法 计算机视觉
m基于yolov2深度学习的细胞检测系统matlab仿真,带GUI操作界面
MATLAB 2022a中实现了YOLOv2细胞检测算法的仿真,该算法基于CNN进行细胞自动定位与识别。采用Darknet-19网络结构,结合SPP和FPN提升多尺度检测性能。程序中,数据集按75%比例划分训练集和测试集,使用预训练的ResNet-50构建YOLOv2网络,并用'sgdm'优化器进行训练。
16 0
|
28天前
|
机器学习/深度学习 算法
m基于深度学习的16QAM调制解调系统频偏估计和补偿算法matlab仿真
在MATLAB 2022a中进行的算法仿真展示了16-QAM调制信号的频偏补偿效果。通过深度学习技术估计和补偿频偏,以改善通信系统的解调精度。核心程序包括信号生成、噪声添加、深度学习相位估计以及解调过程,比较了有无频偏补偿时的误码率性能。在不同信噪比条件下,应用深度学习的频偏补偿能有效降低误码率,提高通信质量。
42 1
|
1月前
|
机器学习/深度学习 算法
m基于深度学习的32QAM调制解调系统频偏估计和补偿算法matlab仿真
MATLAB 2022a仿真实现了32-QAM系统的频偏估计与补偿。通过比较传统方法(如循环谱法和最大似然)与深度学习方法,展示了后者如何利用CNN直接预测频偏。深度学习模型包括信号预处理、特征提取和频偏预测,采用均方误差损失函数进行训练优化。核心程序生成信号,应用AWGN,然后用深度学习估计和补偿频偏,最终比较了有无补偿的误码率性能。
38 8
|
1月前
|
机器学习/深度学习 数据采集 算法
m基于深度学习的肉类新鲜度检测系统matlab仿真,带GUI操作界面
MATLAB 2022a中使用GoogleNet模型对肉类新鲜度检测进行了仿真,展示了多个阶段的结果图像。该模型依赖Inception模块来捕捉不同尺度特征,通过堆叠的Inception模块、批量归一化和ReLU激活实现特征提取。训练目标是优化交叉熵损失函数。核心代码段设置训练选项并用训练数据训练网络。
17 0

热门文章

最新文章