matlab数据的导入和导出,以matlab工作区workspace为source和destination

简介:

MATLAB支持工作区的保存。用户可以将工作区或工作区中的变量以文件的形式保存,以备在需要时再次导入。

保存工作区可以通过菜单进行,也可以通过命令窗口进行。

 

数据导出


1. 保存整个工作区

  选择File菜单中的Save Workspace As…命令,或者单击工作区浏览器工具栏中的Save,可以将工作区中的变量保存为MAT文件

2. 保存工作区中的变量

  在工作区浏览器中,右击需要保存的变量名,选择Save As…,将该变量保存为MAT文件。

3.利用save命令保存

  该命令可以保存工作区,或工作区中任何指定文件。该命令的调用格式如下:

1
2
3
4
5
6
7
save:将工作区中的所有变量保存在当前工作区中的文件中,文件名为 matlab.mat,MAT文件可以通过load函数再次导入工作区,MAT函数可以被不同的机器导入,甚至可以通过其他的程序调用。
save( 'filename' ):将工作区中的所有变量保存为文件,文件名由filename指定。如果filename中包含路径,则将文件保存在相应目录下,否则默认路径为当前路径。
save( 'filename' 'var1' 'var2' , ...):保存指定的变量在 filename 指定的文件中。
save( 'filename' '-struct' 's' ):保存结构体s中全部域作为单独的变量。
save( 'filename' '-struct' 's' 'f1' 'f2' , ...):保存结构体s中的指定变量。
save( '-regexp' , expr1, expr2, ...):通过正则表达式指定待保存的变量需满足的条件。
save( '..., ' format'),指定保存文件的格式,格式可以为MAT文件、ASCII文件等。

 

数据导入


MATLAB中导入数据通常由函数load实现,该函数的用法如下:

1
2
3
4
5
6
load:如果matlab.mat文件存在,导入matlab.mat中的所有变量,如果不存在,则返回error。
load filename:将filename中的全部变量导入到工作区中。
load filename X Y Z ...:将filename中的变量X、Y、Z等导入到工作区中,如果是MAT文件,在指定变量时可以使用通配符“*”。
load filename -regexp expr1 expr2 ...:通过正则表达式指定需要导入的变量。
load -ascii filename:无论输入文件名是否包含有扩展名,将其以ASCII格式导入;如果指定的文件不是数字文本,则返回error。
load -mat filename:无论输入文件名是否包含有扩展名,将其以mat格式导入;如果指定的文件不是MAT文件,则返回error。

  

举几个例子:

1
2
3
4
5
6
7
8
9
10
11
将文件matlab.mat中的变量导入到工作区中。
  首先应用命令whos –file查看该文件中的内容:
  >> whos -file matlab.mat
   Name                  Size              Bytes Class
   A                    2x3               48  double  array
   I_q                 415x552x3             687240  uint8 array
   ans                1x3                24  double  array
   num_of_cluster       1x1                8  double  array
  Grand total is  687250  elements using  687320  bytes
  将该文件中的变量导入到工作区中:
  >> load matlab.mat

  该命令执行后,可以在工作区浏览器中看见这些变量。


  接下来用户可以访问这些变量。

  

1
2
3
>> num_of_cluster
  num_of_cluster =
    3

 

  MATLAB中,另一个导入数据的常用函数为importdata,该函数的用法如下:

1
2
3
importdata( 'filename' ),将filename中的数据导入到工作区中;
A = importdata( 'filename' ),将filename中的数据导入到工作区中,并保存为变量A;
importdata( 'filename' , 'delimiter' ),将filename中的数据导入到工作区中,以delimiter指定的符号作为分隔符;

  

从文件中导入数据。

1
2
3
4
5
6
>> imported_data = importdata( 'matlab.mat' )
imported_data =
  ans: [ 1.1813  1.0928  1.6534 ]
  A: [2x3  double ]
  I_q: [415x552x3 uint8]
  num_of_cluster:  3

  与load函数不同,importdata将文件中的数据以结构体的方式导入到工作区中。

 

文件的打开


MATLAB中可以使用open命令打开各种格式的文件,MATLAB自动根据文件的扩展名选择相应的编辑器。
需要注意的是open('filename.mat')和load('filename.mat')的不同,前者将filename.mat以结构体的方式打开在工作区中后者将文件中的变量导入到工作区中,如果需要访问其中的内容,需要以不同的格式进行。

open与load的比较。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
>> clear
>> A = magic( 3 );
>> B = rand( 3 );
>> save
Saving to: matlab.mat
>> clear
>> load( 'matlab.mat' )
>> A
A =
  8  1  6
  3  5  7
  4  9  2
>> B
B =
  0.9501  0.4860  0.4565
  0.2311  0.8913  0.0185
  0.6068  0.7621  0.8214
>> clear
>> open( 'matlab.mat' )
ans =
  A: [3x3  double ]
  B: [3x3  double ]
>> struc1=ans;
>> struc1.A
ans =
  8  1  6
  3  5  7
  4  9  2
>> struc1.B
ans =
  0.9501  0.4860  0.4565
  0.2311  0.8913  0.0185
  0.6068  0.7621  0.8214

  

本文转自二郎三郎博客园博客,原文链接:http://www.cnblogs.com/haore147/p/3633573.html,如需转载请自行联系原作者
相关文章
|
3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。
|
2月前
|
传感器 数据可视化
MATLAB - 读取双摆杆上的 IMU 数据
MATLAB - 读取双摆杆上的 IMU 数据
31 0
|
4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。
86 6
|
4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
|
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。
179 4
|
4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。
|
4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。
44 0
|
5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
|
5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
|
5月前
|
数据安全/隐私保护
时域与频域数据互相转换,傅里叶变换与逆傅里叶变换,matlab程序,时域转频域
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

热门文章

最新文章

下一篇
无影云桌面