ATL

把file.mex放到路径里，然后file(参数列表)就可以，具体要看帮助

mex后面需要一个空格

具体描述一下

①选y后，MATLAB会列出当前机器上已经安装的、且与当前MATLAB版本兼容的所有C编译器，一般而言，MATLAB都会自带一个LCC编译器，然而LCC目前仅支持32位的MATLAB，所以你的机器上没有。②选n后，MATLAB会列出所有与当前MATLAB版本兼容的C编译器类型（不管你是否已经安装，用于帮助用户选择合适的C编译器），你机器上已经安装的2个编译器，VC6.0：MATLAB从R2010b之后不再支持，所以选项里看不到；而SDK7.1选n时可以看到（[11]），但选y时没有跳出，是因为MATLAB没有正确定位SDK。③解决方法：方法一：如果以缺省选项安装了SDK7.1（不改变默认安装路径），可以尝试输入n后，选择 [14] （注意：是14，不是11！），强制定位该编译器（网上有人用这种方法成功了：http://mlinking.blog.163.com/blog/static/185801922201331464626365/）方法二：重新安装MATLAB，安装时选择32位进行安装，则自带LCC编译器。方法三：选择适配的VS版本，下载安装后，重新配置MEX命令。简单讲，编译器就是将“一种语言（通常为高级语言）”翻译为“另一种语言（通常为低级语言）”的程序。一个现代编译器的主要工作流程：源代码 (source code) → 预处理器 (preprocessor) → 编译器 (compiler) → 目标代码 (object code) → 链接器 (Linker) → 可执行程序 (executables)高级计算机语言便于人编写，阅读交流，维护。机器语言是计算机能直接解读、运行的。编译器将汇编或高级计算机语言源程序（Source program）作为输入，翻译成目标语言（Target language）机器代码的等价程序。源代码一般为高级语言 (High-level language)， 如Pascal、C、C++、Java、汉语编程等或汇编语言，而目标则是机器语言的目标代码（Object code），有时也称作机器代码（Machine code）。对于C#、VB等高级语言而言，此时编译器完成的功能是把源码（SourceCode）编译成通用中间语言（MSIL/CIL）的字节码（ByteCode）。最后运行的时候通过通用语言运行库的转换，编程最终可以被CPU直接计算的机器码（NativeCode）。

先用mbuild -setup选择安装编译器再用指令mex c文件件名编译

1.准备好C语言程序，清楚C语言的入口函数2.编写mexfunction函数。mexfunction函数为C语言与MATLAB语言的接口函数。调用实例在mylinedetect.c文件中.在MATLAB中调用mex指令编译相关文件，将C语言编译为MEX文件。3.编译完成后，生成mylinedetect.mexw32或mylinedetect.mexw64文件，此文件即mex文件，用于MATLAB与C语言接口函数.4.编译完成之后，编写MATLAB函数，调用MEX文件。以MEX文件的形式调用编译完成的C语言函数[o1,o2]=mylinedetect(double(X).");......5.输出结果，上述linedetect函数完成图像中直线检测功能，带入MATLAB中调用后形成结果。

请参考 http://wenku.baidu.com/view/a659673283c4bb4cf7ecd1fc.html

feature_lattice函数里的返回参数feature没有赋值

示例代码：subplot(2,2,1)plot(peaks)subplot(1,2,2)plot(cos(0:.1:10))subplot(2,2,3)bar(rand(1,5))

不知道学了matlab没有？如果没有，在这里是说不清楚的。如果已经学了，建议找本“matlab与信号处理”的书，一般里面都有你需要的程序的。因为这些程序非常经典。

第一，为峰值函数（peaks）的图形添加色标。启动MATLAB，新建脚本，输入如下代码：close all; clear all; clcfigure(1)surf(peaks(30))colorbar("YTickLabel",{"Freezing","Cold","Cool",..."Neutral","Warm","Hot","Burning","Nuclear"})第二，保存和运行上述脚本，得到峰值函数（peaks）的图形（figure 1），并且图形右侧添加了色标。第三，在上述脚本的基础上，接着输入如下代码：figure(2)contourf(peaks(30))colormap coolcolorbar("location","SouthOutside")其中("location","southoutside")控制色标处于图形中的位置，还可以取North，South，East，West，Northoutside，Southoutside，Eastoutside，Westoutside。第四，保存和运行上述脚本，得到图像figure 2，如下图，色标位于图形底部。第五，利用subplot对上述脚本进行改进，将figure 1与figure 2画在一张图。脚本改进如下：close all; clear all; clc%figure(1)subplot(2,1,1)surf(peaks(30))colorbar("YTickLabel",{"Freezing","Cold","Cool",..."Neutral","Warm","Hot","Burning","Nuclear"})%figure(2)subplot(2,1,2)contourf(peaks(30))colormap coolcolorbar("location","SouthOutside")第六，保存和运行上述改进的脚本，figure 1与figure 2画在一张图，并且均添加了色标（colorbar）。

使用findpeaks即可满足你的要求！ help findpeaks FINDPEAKS Find local peaks in data PKS = FINDPEAKS(X) finds local peaks in the data vector X. A local peak is defined as a data sample which is either larger than the two neighboring samples or is equal to Inf. [PKS,LOCS]= FINDPEAKS(X) also returns the indices LOCS at which the peaks occur. [...] = FINDPEAKS(X,"MINPEAKHEIGHT",MPH) finds only those peaks that are greater than MINPEAKHEIGHT MPH. Specifying a minimum peak height may help in reducing the processing time. MPH is a real valued scalar. The default value of MPH is -Inf. [...] = FINDPEAKS(X,"MINPEAKDISTANCE",MPD) finds peaks that are at least separated by MINPEAKDISTANCE MPD. MPD is a positive integer valued scalar. This parameter may be specified to ignore smaller peaks that may occur in close proximity to a large local peak. For example, if a large local peak occurs at index N, then all smaller peaks in the range (N-MPD, N+MPD) are ignored. If not specified, MPD is assigned a value of one. [...] = FINDPEAKS(X,"THRESHOLD",TH)finds peaks that are at least greater than their neighbors by the THRESHOLD TH. TH is real valued scalar greater than or equal to zero. The default value of TH is zero. [...] = FINDPEAKS(X,"NPEAKS",NP) specifies the maximum number of peaks to be found. NP is an integer greater than zero. If not specified, all peaks are returned. [...] = FINDPEAKS(X,"SORTSTR",STR) specifies the direction of sorting of peaks. STR can take values of "ascend","descend" or "none". If not specified, STR takes the value of "none" and the peaks are returned in the order of their occurrence.

帮你快速入门MATLAB绘图篇,附软件教程工控自动化专家2019-02-181. 基本xy平面绘图命令MATLAB不但擅长於矩阵相关的数值运算，也适合用在各种科学目视表示（Scientific visualization）。本节将介绍MATLAB基本xy平面及xyz空间的各项绘图命令，包含一维曲线及二维曲面的绘制、列印及存档。plot是绘制一维曲线的基本函数，但在使用此函数之前，我们需先定义曲线上每一点的x 及y座标。下例可画出一条正弦曲线：close all;x=linspace(0, 2*pi, 100); % 100个点的x座标y=sin(x); % 对应的y座标plot(x,y);小整理：MATLAB基本绘图函数plot: x轴和y轴均为线性刻度（Linear scale）loglog: x轴和y轴均为对数刻度（Logarithmic scale）semilogx: x轴为对数刻度，y轴为线性刻度semilogy: x轴为线性刻度，y轴为对数刻度若要画出多条曲线，只需将座标对依次放入plot函数即可：plot(x, sin(x), x, cos(x));若要改变颜色，在座标对後面加上相关字串即可：plot(x, sin(x), "c", x, cos(x), "g");若要同时改变颜色及图线型态（Line style），也是在座标对後面加上相关字串即可：plot(x, sin(x), "co", x, cos(x), "g*");小整理：plot绘图函数的叁数字元颜色字元图线型态y 黄色。点k黑色o 圆w 白色x xb 蓝色+ +g 绿色* *r 红色- 实线c 亮青色: 点线m 锰紫色-. 点虚线-- 虚线图形完成後，我们可用axis([xmin,xmax,ymin,ymax])函数来调整图轴的范围：axis([0, 6, -1.2, 1.2]);此外，MATLAB也可对图形加上各种注解与处理：xlabel("Input Value"); % x轴注解ylabel("Function Value"); % y轴注解title("Two Trigonometric Functions"); % 图形标题legend("y = sin(x)","y = cos(x)"); % 图形注解grid on; % 显示格线我们可用subplot来同时画出数个小图形於同一个视窗之中：subplot(2,2,1); plot(x, sin(x));subplot(2,2,2); plot(x, cos(x));subplot(2,2,3); plot(x, sinh(x));subplot(2,2,4); plot(x, cosh(x));MATLAB还有其他各种二维绘图函数，以适合不同的应用，详见下表。小整理：其他各种二维绘图函数bar 长条图errorbar 图形加上误差范围fplot 较精确的函数图形polar 极座标图hist 累计图rose 极座标累计图stairs 阶梯图stem 针状图fill 实心图feather 羽毛图compass 罗盘图quiver 向量场图以下我们针对每个函数举例。当资料点数量不多时，长条图是很适合的表示方式：close all; % 关闭所有的图形视窗x=1:10;y=rand(size(x));bar(x,y);如果已知资料的误差量，就可用errorbar来表示。下例以单位标准差来做资的误差量：x = linspace(0,2*pi,30);y = sin(x);e = std(y)*ones(size(x));errorbar(x,y,e)对於变化剧烈的函数，可用fplot来进行较精确的绘图，会对剧烈变化处进行较密集的取样，如下例：fplot("sin(1/x)", [0.02 0.2]); % [0.02 0.2]是绘图范围若要产生极座标图形，可用polar：theta=linspace(0, 2*pi);r=cos(4*theta);polar(theta, r);对於大量的资料，我们可用hist来显示资料的分　情况和统计特性。下面几个命令可用来验证randn产生的高斯乱数分　：x=randn(5000, 1); % 产生5000个 m=0，s=1 的高斯乱数hist(x,20); % 20代表长条的个数rose和hist很接近，只不过是将资料大小视为角度，资料个数视为距离，并用极座标绘制表示：x=randn(1000, 1);rose(x);stairs可画出阶梯图：x=linspace(0,10,50);y=sin(x).*exp(-x/3);stairs(x,y);stems可产生针状图，常被用来绘制数位讯号：x=linspace(0,10,50);y=sin(x).*exp(-x/3);stem(x,y);stairs将资料点视为多边行顶点，并将此多边行涂上颜色：x=linspace(0,10,50);y=sin(x).*exp(-x/3);fill(x,y,"b"); % "b"为蓝色feather将每一个资料点视复数，并以箭号画出：theta=linspace(0, 2*pi, 20);z = cos(theta)+i*sin(theta);feather(z);compass和feather很接近，只是每个箭号的起点都在圆点：theta=linspace(0, 2*pi, 20);z = cos(theta)+i*sin(theta);compass(z);2．基本XYZ立体绘图命令在科学目视表示（Scientific visualization）中，三度空间的立体图是一个非常重要的技巧。本章将介绍MATLAB基本XYZ三度空间的各项绘图命令。mesh和plot是三度空间立体绘图的基本命令，mesh可画出立体网状图，plot则可画出立体曲面图，两者产生的图形都会依高度而有不同颜色。下列命令可画出由函数<图片>形成的立体网状图:x=linspace(-2, 2, 25); % 在x轴上取25点y=linspace(-2, 2, 25); % 在y轴上取25点[xx,yy]=meshgrid(x, y); % xx和yy都是21x21的矩阵zz=xx.*exp(-xx.^2-yy.^2); % 计算函数值，zz也是21x21的矩阵mesh(xx, yy, zz); % 画出立体网状图surf和mesh的用法类似：x=linspace(-2, 2, 25); % 在x轴上取25点y=linspace(-2, 2, 25); % 在y轴上取25点[xx,yy]=meshgrid(x, y); % xx和yy都是21x21的矩阵zz=xx.*exp(-xx.^2-yy.^2); % 计算函数值，zz也是21x21的矩阵surf(xx, yy, zz); % 画出立体曲面图为了方便测试立体绘图，MATLAB提供了一个peaks函数，可产生一个凹凸有致的曲面，包含了三个局部极大点及三个局部极小点要画出此函数的最快方法即是直接键入peaks：peaksz = 3*(1-x).^2.*exp(-(x.^2) - (y+1).^2) ...- 10*(x/5 - x.^3 - y.^5).*exp(-x.^2-y.^2) ...- 1/3*exp(-(x+1).^2 - y.^2)我们亦可对peaks函数取点，再以各种不同方法进行绘图。meshz可将曲面加上围裙：[x,y,z]=peaks;meshz(x,y,z);axis([-inf inf -inf inf -inf inf]);waterfall可在x方向或y方向产生水流效果：[x,y,z]=peaks;waterfall(x,y,z);axis([-inf inf -inf inf -inf inf]);下列命令产生在y方向的水流效果：[x,y,z]=peaks;waterfall(x",y",z");axis([-inf inf -inf inf -inf inf]);meshc同时画出网状图与等高线：[x,y,z]=peaks;meshc(x,y,z);axis([-inf inf -inf inf -inf inf]);surfc同时画出曲面图与等高线：[x,y,z]=peaks;surfc(x,y,z);axis([-inf inf -inf inf -inf inf]);contour3画出曲面在三度空间中的等高线：contour3(peaks, 20);axis([-inf inf -inf inf -inf inf]);contour画出曲面等高线在XY平面的投影：contour(peaks, 20);plot3可画出三度空间中的曲线：t=linspace(0,20*pi, 501);plot3(t.*sin(t), t.*cos(t), t);亦可同时画出两条三度空间中的曲线：t=linspace(0, 10*pi, 501);plot3(t.*sin(t), t.*cos(t), t, t.*sin(t), t.*cos(t), -t);3. 三维网图的高级处理3a. 消隐处理例.比较网图消隐前后的图形z=peaks(50);subplot(2,1,1);mesh(z);title("消隐前的网图")hidden offsubplot(2,1,2)mesh(z);title("消隐后的网图")hidden oncolormap([0 0 1])3b. 裁剪处理利用不定数NaN的特点,可以对网图进行裁剪处理例.图形裁剪处理P=peaks(30);subplot(2,1,1);mesh(P);title("裁剪前的网图")subplot(2,1,2);P(20:23,9:15)=NaN*ones(4,7); %剪孔meshz(P) %垂帘网线图title("裁剪后的网图")colormap([0 0 1]) %蓝色网线4. 三维旋转体的绘制为了一些专业用户可以更方便地绘制出三维旋转体,MATLAB专门提供了2个函数:柱面函数cylinder和球面函数sphere(1) 柱面图柱面图绘制由函数cylinder实现.[X,Y,Z]=cylinder(R,N) 此函数以母线向量R生成单位柱面.母线向量R是在单位高度里等分刻度上定义的半径向量.N为旋转圆周上的分格线的条数.可以用surf(X,Y,Z)来表示此柱面.[X,Y,Z]=cylinder(R)或[X,Y,Z]=cylinder此形式为默认N=20且R=[1 1]例.柱面函数演示举例x=0:pi/20:pi*3;r=5+cos(x);[a,b,c]=cylinder(r,30);mesh(a,b,c)例.旋转柱面图.r=abs(exp(-0.25*t).*sin(t));t=0:pi/12:3*pi;r=abs(exp(-0.25*t).*sin(t));[X,Y,Z]=cylinder(r,30);mesh(X,Y,Z)colormap([1 0 0])(2) 球面图球面图绘制由函数sphere来实现[X,Y,Z]=sphere(N) 此函数生成3个(N+1)*(N+1)的矩阵,利用函数 surf(X,Y,Z) 可产生单位球面.[X,Y,Z]=sphere 此形式使用了默认值N=20.Sphere(N) 只是绘制了球面图而不返回任何值.例.绘制地球表面的气温分布示意图.[a,b,c]=sphere(40);t=abs(c);surf(a,b,c,t);axis("equal") %此两句控制坐标轴的大小相同.axis("square")colormap("hot")了解更多搜索matlab被禁事件反思自学matlab有什么好处零基础matlab学多久matlab学习心得与总结精通matlab是什么体验自学matlab有必要吗

曲面peaks 上点的坐标，可用mesh或surf绘出

peaks是一个函数，其中有2个变量。由平移和放缩高斯分布函数获得。这里输入n（=30）是说输出30*30的矩阵，并显示。 >> peaks(30)z = 3*(1-x).^2.*exp(-(x.^2) - (y+1).^2) ... - 10*(x/5 - x.^3 - y.^5).*exp(-x.^2-y.^2) ... - 1/3*exp(-(x+1).^2 - y.^2) [X,Y,Z] = peaks(30);得到的X、Y、Z为30*30的矩阵

plot(x,y,"s")s为可选参数具体可参考下面Matlab入门教程--二维绘图2.基本xy平面绘图命令MATLAB不但擅长於矩阵相关的数值运算，也适合用在各种科学目视表示（Scientificvisualization）。本节将介绍MATLAB基本xy平面及xyz空间的各项绘图命令，包含一维曲线及二维曲面的绘制、列印及存档。plot是绘制一维曲线的基本函数，但在使用此函数之前，我们需先定义曲线上每一点的x及y座标。下例可画出一条正弦曲线：closeall;x=linspace(0,2*pi,100);%100个点的x座标y=sin(x);%对应的y座标plot(x,y);====================================================小整理：MATLAB基本绘图函数plot:x轴和y轴均为线性刻度（Linearscale）loglog:x轴和y轴均为对数刻度（Logarithmicscale）semilogx:x轴为对数刻度，y轴为线性刻度semilogy:x轴为线性刻度，y轴为对数刻度====================================================若要画出多条曲线，只需将座标对依次放入plot函数即可：plot(x,sin(x),x,cos(x));若要改变颜色，在座标对后面加上相关字串即可：plot(x,sin(x),"c",x,cos(x),"g");若要同时改变颜色及图线型态（Linestyle），也是在座标对后面加上相关字串即可：plot(x,sin(x),"co",x,cos(x),"g*");====================================================小整理：plot绘图函数的叁数字元颜色字元图线型态y黄色.点k黑色o圆w白色xxb蓝色++g绿色**r红色-实线c亮青色:点线m锰紫色-.点虚线--虚线====================================================图形完成后，我们可用axis([xmin,xmax,ymin,ymax])函数来调整图轴的范围：axis([0,6,-1.2,1.2]);此外，MATLAB也可对图形加上各种注解与处理：xlabel("InputValue");%x轴注解ylabel("FunctionValue");%y轴注解title("TwoTrigonometricFunctions");%图形标题legend("y=sin(x)","y=cos(x)");%图形注解gridon;%显示格线我们可用subplot来同时画出数个小图形於同一个视窗之中：subplot(2,2,1);plot(x,sin(x));subplot(2,2,2);plot(x,cos(x));subplot(2,2,3);plot(x,sinh(x));subplot(2,2,4);plot(x,cosh(x));MATLAB还有其他各种二维绘图函数，以适合不同的应用，详见下表。====================================================小整理：其他各种二维绘图函数bar长条图errorbar图形加上误差范围fplot较精确的函数图形polar极座标图hist累计图rose极座标累计图stairs阶梯图stem针状图fill实心图feather羽毛图compass罗盘图quiver向量场图====================================================

uygepudgquDGYPUAYdhpYPAUYF8udfypD8UYPD8YD8Y8SDY8IYYF8YFI8YIC

MATLAB提供了一个peaks函数,可产生一个凹凸有致的曲面,包含了三个局部极大点及三个局部极小点

help peaks

peaks是一个函数，其中有2个变量。由平移和放缩高斯分布函数获得。这里输入n（=30）是说输出30*30的矩阵，并显示。>>peaks(30)z= 3*(1-x).^2.*exp(-(x.^2)-(y+1).^2)...-10*(x/5-x.^3-y.^5).*exp(-x.^2-y.^2)...-1/3*exp(-(x+1).^2-y.^2)[X,Y,Z]=peaks(30);得到的X、Y、Z为30*30的矩阵

MATLAB提供了一个peaks函数，可产生一个凹凸有致的曲面，包含了三个局部极大点及三个局部极小点

看看源程序就明白了。>> type peaksfunction [xz,y,z] = peaks(arg1,arg2)%PEAKS A sample function of two variables.% PEAKS is a function of two variables, obtained by translating and% scaling Gaussian distributions, which is useful for demonstrating% MESH, SURF, PCOLOR, CONTOUR, etc.% There are several variants of the calling sequence:%% Z = PEAKS;% Z = PEAKS(N);% Z = PEAKS(V);% Z = PEAKS(X,Y);%% PEAKS;% PEAKS(N);% PEAKS(V);% PEAKS(X,Y);%% [X,Y,Z] = PEAKS;% [X,Y,Z] = PEAKS(N);% [X,Y,Z] = PEAKS(V);%% The first variant produces a 49-by-49 matrix.% The second variant produces an N-by-N matrix.% The third variant produces an N-by-N matrix where N = length(V).% The fourth variant evaluates the function at the given X and Y,% which must be the same size. The resulting Z is also that size.%% The next four variants, with no output arguments, do a SURF% plot of the result.%% The last three variants also produce two matrices, X and Y, for% use in commands such as PCOLOR(X,Y,Z) or SURF(X,Y,Z,DEL2(Z)).%% If not given as input, the underlying matrices X and Y are% [X,Y] = MESHGRID(V,V) % where V is a given vector, or V is a vector of length N with% elements equally spaced from -3 to 3. If no input argument is% given, the default N is 49.% CBM, 2-1-92, 8-11-92, 4-30-94.% Copyright 1984-2006 The MathWorks, Inc.% $Revision: 5.10.4.3 $ $Date: 2006/06/27 23:02:56 $if nargin == 0 dx = 1/8; [x,y] = meshgrid(-3:dx:3);elseif nargin == 1 if length(arg1) == 1 [x,y] = meshgrid(linspace(-3,3,arg1)); else [x,y] = meshgrid(arg1,arg1); endelse x = arg1; y = arg2;endz = 3*(1-x).^2.*exp(-(x.^2) - (y+1).^2) ... - 10*(x/5 - x.^3 - y.^5).*exp(-x.^2-y.^2) ... - 1/3*exp(-(x+1).^2 - y.^2);if nargout > 1 xz = x;elseif nargout == 1 xz = z;else % Self demonstration disp(" ") disp("z = 3*(1-x).^2.*exp(-(x.^2) - (y+1).^2) ... ") disp(" - 10*(x/5 - x.^3 - y.^5).*exp(-x.^2-y.^2) ... ") disp(" - 1/3*exp(-(x+1).^2 - y.^2) ") disp(" ") surf(x,y,z) axis("tight") xlabel("x"), ylabel("y"), title("Peaks")end

peaks是一个函数，其中有2个变量。由平移和放缩高斯分布函数获得。这里输入n（=30）是说输出30*30的矩阵，并显示。正态分布（Normal distribution）又名高斯分布（Gaussian distribution），是一个在数学、物理及工程等领域都非常重要的概率分布，在统计学的许多方面有着重大的影响力。若随机变量服从一个位置参数、尺度参数为的概率分布，记为：则其概率密度函数为正态分布的数学期望值或期望值等于位置参数，决定了分布的位置；其方差的开平方或标准差等于尺度参数，决定了分布的幅度。正态分布的概率密度函数曲线呈钟形，因此人们又经常称之为钟形曲线。我们通常所说的标准正态分布是位置参数, 尺度参数的正态分布（见图中绿色曲线）。

他的步伐有条不紊，刘海窜上窜下，脚印留在砂石上

for i=1:length(HO01A05L_x)-1 for j=1:length(NSl01A05L_p)-1 HO01A05L_x(i)表示当前i值， NSl01A05L_p(j)表示当前j值 endend

Matlab 伪随机信号的产生（M序列）这里主要介绍两种方法，一是使用m文件编辑，二是用simulink产生一、用m文件编辑Np=63;%循环周期delta_T = 1;%时钟节拍a=1;%幅度%初始化M序列M(1)=1;M(2)=0;M(3)=0;M(4)=1;M(5)=1;M(6)=0;M_XuLie(Np) = 0;for n = 1 : Np temp = xor(M(6), M(5)); if(temp == 0) M_XuLie(n) = a; else M_XuLie(n) = -a; end M(6) = M(5); M(5) = M(4); M(4) = M(3); M(3) = M(2); M(2) = M(1); M(1) = temp;endfigure(4)stairs(M_XuLie)ylim([-2 2])说明：1.原理：由于是用代码书写，可能原理表达不是很直观，后面会以仿真形式给出原理2.周期：若有N个移位寄存器，那么周期为2^N-13.周期的延拓：r = 3; % 周期数u=repmat(M_XuLie,1,r+1);%将M序列赋给输入，作为输入信号二、使用simulink产生M序列1 选6个移位寄存器，就是Z分之1那个 按顺序排列好，初始条件（initial conditions）全都设为12 先把这6个移位寄存器链接起来 第一个输出连第二个输入，以此类推到第六个接OUT，out这里再接一个scope以便观察信号波形或者接到工作空间（本例是接到工作空间中）。按照如下方法设置变量名和输出格式。注意：尽量选矩阵形式输出，否则调用不方便。3 选一个logical operator，并从设置中调成XOR，2输入端4 继续连线5 设置参数，主要是设置步长和总运行时间（点击菜单simulation-configuration parameters设置）6 点击运行 scope中显示的便是m序列！或者在命令行中输入stairs(M_seque)注：事实上，用这种方法在实际使用中存在一些问题，就是输出信号是bool型的，即是逻辑序列，无法作为传递函数的输入使用，如果是在m文件中可以通过double等方法进行转换，simulink应该是有方法转换的但还未做相关查询。

用rand函数就可以

随手写了一段,简单测试,尚可------------------------------------------------------function my_stats(nums)% executes all of the statistics functions% example% my_stats([4 3 9 7 8 4])% my_stats([99 1 36 5 1])fprintf("mean(x) = %f (%f) " , my_mean(nums) , mean(nums) )fprintf("median(x) = %f (%f) " , my_median(nums), median(nums))fprintf("mode(x) = %f (%f) " , my_mode(nums) , mode(nums) )fprintf("minimum(x) = %f (%f) " , my_min(nums) , min(nums) )fprintf("maximum(x) = %f (%f) " , my_max(nums) , max(nums) )fprintf("range(x) = %f (%f) " , my_range(nums) , range(nums) )fprintf("stddev(x) = %f (%f) " , my_std(nums) , std(nums) )fprintf("variance(x) = %f (%f) " , my_var(nums) , var(nums) )end%----------------------------------------function m = my_mean(x)%m = mean(x); %replace this line with yours % e.g. m=sum(x)/length(x); m = sum(x)/length(x);end%----------------------------------------function m = my_median(x)%m = median(x);x = sort(x);n = length(x);if rem(n,2) m = x((n+1)/2);else m = (x(n/2) + x((n/2)+1))/2;endend%----------------------------------------function m = my_min(x)%m=min(x);x1=sort(x);m = x1(1);end%----------------------------------------function m = my_max(x)%m = max(x);x1=sort(x);m=x1(length(x));end%----------------------------------------function m = my_range(x)%m = range(x);m = my_max(x)-my_min(x);end%----------------------------------------function m = my_mode(x)%m = mode(x);v = sort(x");start = find([1; v(1:end-1)~=v(2:end)]);freq = [start(2:end);length(x)+1] - start; [maxfreq,firstloc] = max(freq); m = v(start(firstloc));end%----------------------------------------function v = my_var(x)%v = var(x);avg = my_mean(x);cx = x - avg; v = sum(cx.^2)/(length(x)-1);end%----------------------------------------function s = my_std(x)%s= std(x);s = sqrt(my_var(x));end-----------------------------------------------------测试:>> my_stats([99 1 36 5 1])mean(x) = 28.400000 (28.400000)median(x) = 5.000000 (5.000000)mode(x) = 1.000000 (1.000000)minimum(x) = 1.000000 (1.000000)maximum(x) = 99.000000 (99.000000)range(x) = 98.000000 (98.000000)stddev(x) = 42.104632 (42.104632)variance(x) = 1772.800000 (1772.800000)>> my_stats([4 3 9 7 8 4])mean(x) = 5.833333 (5.833333)median(x) = 5.500000 (5.500000)mode(x) = 4.000000 (4.000000)minimum(x) = 3.000000 (3.000000)maximum(x) = 9.000000 (9.000000)range(x) = 6.000000 (6.000000)stddev(x) = 2.483277 (2.483277)variance(x) = 6.166667 (6.166667)>> x = [1 2 3 5 3 4 2 1 3 6 7 8 9];>> my_stats(x)mean(x) = 4.153846 (4.153846)median(x) = 3.000000 (3.000000)mode(x) = 3.000000 (3.000000)minimum(x) = 1.000000 (1.000000)maximum(x) = 9.000000 (9.000000)range(x) = 8.000000 (8.000000)stddev(x) = 2.640901 (2.640901)variance(x) = 6.974359 (6.974359)

首先将数组排序如果元素数量是奇数，取最中间那个元素；如果元素数量是偶数，取最中间两个元素的算术平均值。>>edit medianfunction y = median(x,dim)%MEDIAN Median value.% For vectors, MEDIAN(X) is the median value of the elements in X.% For matrices, MEDIAN(X) is a row vector containing the median% value of each column. For N-D arrays, MEDIAN(X) is the median% value of the elements along the first non-singleton dimension% of X.%% MEDIAN(X,DIM) takes the median along the dimension DIM of X.%% Example: If X = [0 1 2% 3 4 5]%% then median(X,1) is [1.5 2.5 3.5] and median(X,2) is [1% 4]%% Class support for input X:% float: double, single%% See also MEAN, STD, MIN, MAX, VAR, COV, MODE.% Copyright 1984-2005 The MathWorks, Inc.% $Revision: 5.15.4.6 $ $Date: 2005/05/31 16:30:47 $% Calculation method for even lists: b - (b-a)/2.% This method reduces the likelihood of rounding errors.nInputs = nargin;if isempty(x) if nInputs == 1 % The output size for [] is a special case when DIM is not given. if isequal(x,[]), y = nan(1,class(x)); return; end % Determine first nonsingleton dimension dim = find(size(x)~=1,1); end s = size(x); if dim <= length(s) s(dim) = 1; % Set size to 1 along dimension end y = nan(s,class(x));elseif nInputs == 1 && isvector(x) % If input is a vector, calculate single value of output. x = sort(x); nCompare = numel(x); half = floor(nCompare/2); y = x(half+1); if 2*half == nCompare % Average if even number of elements y = meanof(x(half),y); end if isnan(x(nCompare)) % Check last index for NaN y = nan(class(x)); endelse if nInputs == 1 % Determine first nonsingleton dimension dim = find(size(x)~=1,1); end s = size(x); if dim > length(s) % If dimension is too high, just return input. y = x; return end % Sort along given dimension x = sort(x,dim); nCompare = s(dim); % Number of elements used to generate a median half = floor(nCompare/2); % Midway point, used for median calculation if dim == 1 % If calculating along columns, use vectorized method with column % indexing. Reshape at end to appropriate dimension. y = x(half+1,:); if 2*half == nCompare y = meanof(x(half,:),y); end y(isnan(x(nCompare,:))) = NaN; % Check last index for NaN elseif dim == 2 && length(s) == 2 % If calculating along rows, use vectorized method only when possible. % This requires the input to be 2-dimensional. Reshape at end. y = x(:,half+1); if 2*half == nCompare y = meanof(x(:,half),y); end y(isnan(x(:,nCompare))) = NaN; % Check last index for NaN else % In all other cases, use linear indexing to determine exact location % of medians. Use linear indices to extract medians, then reshape at % end to appropriate size. cumSize = cumprod(s); total = cumSize(end); % Equivalent to NUMEL(x) numMedians = total / nCompare; numConseq = cumSize(dim - 1); % Number of consecutive indices increment = cumSize(dim); % Gap between runs of indices ixMedians = 1; y = repmat(x(1),numMedians,1); % Preallocate appropriate type % Nested FOR loop tracks down medians by their indices. for seqIndex = 1:increment:total for consIndex = half*numConseq:(half+1)*numConseq-1 absIndex = seqIndex + consIndex; y(ixMedians) = x(absIndex); ixMedians = ixMedians + 1; end end % Average in second value if n is even if 2*half == nCompare ixMedians = 1; for seqIndex = 1:increment:total for consIndex = (half-1)*numConseq:half*numConseq-1 absIndex = seqIndex + consIndex; y(ixMedians) = meanof(x(absIndex),y(ixMedians)); ixMedians = ixMedians + 1; end end end % Check last indices for NaN ixMedians = 1; for seqIndex = 1:increment:total for consIndex = (nCompare-1)*numConseq:nCompare*numConseq-1 absIndex = seqIndex + consIndex; if isnan(x(absIndex)) y(ixMedians) = NaN; end ixMedians = ixMedians + 1; end end end % Now reshape output. s(dim) = 1; y = reshape(y,s);end%============================function c = meanof(a,b)% MEANOF the mean of A and B with B > A% MEANOF calculates the mean of A and B. It uses different formula% in order to avoid overflow in floating point arithmetic. c = a + (b-a)/2;k = (sign(a) ~= sign(b)) | isinf(a) | isinf(b);c(k) = (a(k)+b(k))/2;

基于RLS算法和LMS的自适应滤波器的MATLAB程序是什么？ % RLS算法 randn("seed", 0) ; rand("seed", 0) ; NoOfData = 8000 ; % Set no of data points used for training Order = 32 ; % 自适应滤波权数 Lambda = 0.98 ; % 遗忘因子 Delta = 0.001 ; % 相关矩阵R的初始化 x = randn(NoOfData, 1) ;%高斯随机系列 h = rand(Order, 1) ; % 系统随机抽样 d = filter(h, 1, x) ; % 期望输出 % RLS算法的初始化 P = Delta * eye ( Order, Order ) ;%相关矩阵 w = zeros ( Order, 1 ) ;%滤波系数矢量的初始化 % RLS Adaptation for n = Order : NoOfData ; u = x(n:-1:n-Order+1) ;%延时函数 pi_ = u" * P ;%互相关函数 k = Lambda + pi_ * u ; K = pi_"/k;%增益矢量 e(n) = d(n) - w" * u ;%误差函数 w = w + K * e(n) ;%递归公式 PPrime = K * pi_ ; P = ( P - PPrime ) / Lambda ;%误差相关矩阵 w_err(n) = norm(h - w) ;%真实估计误差 end ; % 作图表示结果 figure ; plot(20*log10(abs(e))) ;%| e |的误差曲线 title("学习曲线") ; xlabel("迭代次数") ; ylabel("输出误差估计") ; figure ; semilogy(w_err) ;%作实际估计误差图 title("矢量估计误差") ; xlabel("迭代次数") ; ylabel("误差权矢量") ; %lms 算法 clear all close all hold off%系统信道权数 sysorder = 5 ;%抽头数 N=1000;%总采样次数 inp = randn(N,1);%产生高斯随机系列 n = randn(N,1); [b,a] = butter(2,0.25); Gz = tf(b,a,-1);%逆变换函数 h= [0.0976;0.2873;0.3360;0.2210;0.0964;];%信道特性向量 y = lsim(Gz,inp);%加入噪声 n = n * std(y)/(10*std(n));%噪声信号 d = y + n;%期望输出信号 totallength=size(d,1);%步长 N=60 ; %60节点作为训练序列 %算法的开始 w = zeros ( sysorder , 1 ) ;%初始化 for n = sysorder : N u = inp(n:-1:n-sysorder+1) ;% u的矩阵 y(n)= w" * u;%系统输出 e(n) = d(n) - y(n) ;%误差 if n < 20 mu=0.32; else mu=0.15; end w = w + mu * u * e(n) ;%迭代方程 end %检验结果 for n = N+1 : totallength u = inp(n:-1:n-sysorder+1) ; y(n) = w" * u ; e(n) = d(n) - y(n) ;%误差 end hold on plot(d) plot(y,"r"); title("系统输出") ; xlabel("样本") ylabel("实际输出") figure semilogy((abs(e))) ;% e的绝对值坐标 title("误差曲线") ; xlabel("样本") ylabel("误差矢量") figure%作图 plot(h, "k+") hold on plot(w, "r*") legend("实际权矢量","估计权矢量") title("比较实际和估计权矢量") ; axis([0 6 0.05 0.35]) 急求:基于RLS算法和LMS算法的正弦信号的自适应滤波器的MATLAB的仿真程序. 数字滤波器在数字信号处理中的应用广泛，是数字信号处理的重要基础。自适应滤波器可以不必事先给定信号及噪声的自相关函数,它可以利用前一时刻已获得的滤波器参数自动地调节现时刻的滤波器参数使得滤波器输出和未知的输入之间的均方误差最小化,从而它可以实现最优滤波。 自适应滤波器的算法有很多,有RLS（递归最小二乘法）和LMS（最小均方算法）等。自适应LMS算法是一种很有用且很简单的估计梯度的方法,在信号处理中得到广泛应用。 本论文主要研究了自适应滤波器的基本结构和原理，然后介绍了最小均方误差算法(LMS算法)，并完成了一种基于MATLAB平台的自适应LMS自适应滤波器的设计,同时实现了对信号进行初步的降噪处理。 通过仿真，我们实现了LMS自适应滤波算法，并从结果得知步长和滤波器的阶数是滤波器中很重要的两个参数，并通过修改它们证实了这一点，其中步长影响着收敛时间，而且阶数的大小也会大大地影响自适应滤波器的性能。 求基于LMS自适应滤波器的详细资料 自适应滤波器实际上是一种能够自动调整本身参数的特殊维纳滤波器，在设计时不需要预先知道关于输入信号和噪声的统计特性，它能够在工作过程中逐步“了解” 或估计出所需的统计特性，并以此为依据自动调整自身的参数，以达到最佳滤波效果。一旦输入信号的统计特性发生变化，它又能够跟踪这种变化，自动调整参数，使滤波器性能重新达到最佳。 自适应滤波器由参数可调的数字滤波器(或称为自适应处理器)和自适应算法两部分组成，如图7-3所示。参数可调数字滤波器可以是FIR数字滤波器或IIR数字滤波器，也可以是格型数字滤波器。输入信号x(n)通过参数可调数字滤波器后产生输出信号(或响应)y(n)，将其与参考信号(或称期望响应)d(n)进行比较，形成误差信号e(n)，并以此通过某种自适应算法对滤波器参数进行调整，最终使e(n)的均方值最小。尽管自适应滤波器具有各种不同的算法和结构，但是，其最本质特征是始终不变的。这种最本质的特征可以概括为：自适应滤波器依据用户可以接受的准则或性能规范，在未知的而且可能是时变的环境中正常运行，而无须人为的干预。本章主要讨论的是基于维纳滤波器理论的最小均方(LMS)算法，可以看到LMS算法的主要优点是算法简单、运算量小、易于实现；其主要缺点是收敛速度较慢，而且与输入信号的统计特性有关。 自适应线性滤波器是一种参数可自适应调整的有限冲激响应(FIR)数字滤波器，具有非递归结构形式。因为它的分析和实现比较简单，所以在大多数自适应信号处理系统中得到了广泛应用。如图7-4所示的是自适应线性滤波器的一般形式。输入信号矢量x(n)的L+1个元素，既可以通过在同一时刻对L+1个不同信号源取样得到，也可以通过对同一信号源在n以前L+1个时刻取样得到。前者称为多输入情况，如图7-5所示，后者称为单输入情况如图7-4所示，这两种情况下输入信号矢量都用x(n)表示，但应注意它们有如下区别。 单输入情况： (7-18) 多输入情况： (7-19) 单输入情况下x(n)是一个时间序列，其元素由一个信号在不同时刻的取样值构成；而多输入情况下x(n)是一个空间序列，其元素由同一时刻的一组取样值构成，相当于并行输入。 对于一组固定的权系数来说，线性滤波器是输出y(n)等于输入矢量x(n)的各元素的线性加权之和。然而实际上权系数是可调的，调整权系数的过程叫做自适应过程。在自适应过程中，各个权系数不仅是误差信号e(n)的函数，而且还可能是输入信号的函数，因此，自适应线性滤波器的输出就不再是输入信号的线性函数。 输入信号和输出信号之间的关系为 单输入情况： (7-20) 多输入情况： (7-21) 如图7-4所示的单输入自适应线性滤波器，实际上是一个时变横向数字滤波器，有时称为自适应横向滤波器。它在信号处理中应用很广泛。自适应线性滤波器的L+1个权系数构成一个权系数矢量，称为权矢量，用w(n)表示，即 (7-22) 这样，输出响应表示为 (7-23) 参考响应与输出响应之差称为误差信号，用e(n)表示，即 (7-24) 自适应线性滤波器按照误差信号均方值(或平均功率)最小的准则，即 (7-25) 来自动调整权矢量。 急求，matlab自适应滤波器的程序 clear all close all %channel system order sysorder = 5 ; % Number of system points N=2000; inp = randn(N,1); n = randn(N,1); [b,a] = butter(2,0.25); Gz = tf(b,a,-1); %This function is submitted to make inverse Z-transform (Matlab central file exchange) %The first sysorder weight value %h=ldiv(b,a,sysorder)"; % if you use ldiv this will give h :filter weights to be h= [0.0976; 0.2873; 0.3360; 0.2210; 0.0964;]; y = lsim(Gz,inp); %add some noise n = n * std(y)/(10*std(n)); d = y + n; totallength=size(d,1); %Take 60 points for training N=60 ; %begin of algorithm w = zeros ( sysorder , 1 ) ; for n = sysorder : N u = inp(n:-1:n-sysorder+1) ; y(n)= w" * u; e(n) = d(n) - y(n) ; % Start with big mu for speeding the convergence then slow down to reach the correct weights if n < 20 mu=0.32; else mu=0.15; end w = w + mu * u * e(n) ; end %check of results for n = N+1 : totallength u = inp(n:-1:n-sysorder+1) ; y(n) = w" * u ; e(n) = d(n) - y(n) ; end hold on plot(d) plot(y,"r"); title("System output") ; xlabel("Samples") ylabel("True and estimated output") figure semilogy((abs(e))) ; title("Error curve") ; xlabel("Samples") ylabel("Error value") figure plot(h, "k+") hold on plot(w, "r*") legend("Actual weights","Estimated weights") title("Comparison of the actual weights and the estimated weights") ; axis([0 6 0.05 0.35]) % RLS 算法 randn("seed", 0) ; rand("seed", 0) ; NoOfData = 8000 ; % Set no of data points used for training Order = 32 ; % Set the adaptive filter order Lambda = 0.98 ; % Set the fetting factor Delta = 0.001 ; % R initialized to Delta*I x = randn(NoOfData, 1) ;% Input assumed to be white h = rand(Order, 1) ; % System picked randomly d = filter(h, 1, x) ; % Generate output (desired signal) % Initialize RLS P = Delta * eye ( Order, Order ) ; w = zeros ( Order, 1 ) ; % RLS Adaptation for n = Order : NoOfData ; u = x(n:-1:n-Order+1) ; pi_ = u" * P ; k = Lambda + pi_ * u ; K = pi_"/k; e(n) = d(n) - w" * u ; w = w + K * e(n) ; PPrime = K * pi_ ; P = ( P - PPrime ) / Lambda ; w_err(n) = norm(h - w) ; end ; % Plot results figure ; plot(20*log10(abs(e))) ; title("Learning Curve") ; xlabel("Iteration Number") ; ylabel("Output Estimation Error in dB") ; figure ; semilogy(w_err) ; title("Weight Estimation Error") ; xlabel("Iteration Number") ; ylabel("Weight Error in dB") ; 急求基于遗传算法的自适应滤波器matlab仿真程序代码？谢谢 处理的重要基础。自适应滤波器可以不必事先给定信号及噪声的自相关函数,它可以利用前一时刻已获得的滤波器参数自动地调节现时刻的滤波器参数使得滤波器输出和未知的输入之间的均方误差最小化,从而它可以实现最优滤波。 自适应滤波器的算法有很多,有RLS（递归最小二乘法）和LMS（最小均方算法）等。自适应LMS算法是一种很有用且很简单的估计梯度的方法,在信号处理中得到广泛应用。 本论文主要研究了自适应滤波器的基本结构和原理，然后介绍了最小均方误差算法(LMS算法)，并完成了一种基于MATLAB平台的自适应LMS自适应滤波器的设计,同时实现了对信号进行初步的降噪处理。 通过仿真，我们实现了LMS自适应滤波算法，并从结果得知步长和滤波器的阶数是滤波器中很重要的两个参数，并通过修改它们证实了这一点，其中步长影响着收敛时间，而且阶数的大小也会大大地影响自适应滤波器的性能。 变步长LMS自适应滤波算法的MATLAB程序, 用Matlab软件实现变长NLMS自适应滤波器算法 clear all close all N=10; %滤波器阶数 sample_N=500; %采样点数 A=1; %信号幅度 snr=10; %信噪比 t=1:sample_N; length_t=100; %期望信号序列长度 d=A*sin(2*pi*t/length_t); %期望信号 M=length(d); %M为接收数据长度 x=awgn(d,snr); %经过信道（加噪声） delta=1/(10*N*(A^2)); %计算能够使LMS算法收敛的delta y=zeros(1,M); h=zeros(1,N); %LMS滤波器系数 h_normalized=zeros(1,N); %归一化LMS滤波器系数 y1=zeros(1,N); for n=N:M %系数调整LMS算法 x1=x(n:-1:n-N+1); %LMS算法 y(n)=h*x1"; e(n)=d(n)-y(n); h=h+delta*e(n)*x1; %NLMS算法 y_normalized(n)=h_normalized*x1"; e_normalized(n)=d(n)-y_normalized(n); h_normalized=h_normalized+e_normalized(n)*x1/(x1*x1"); end error=e.^2; %LMS算法每一步迭代的均方误差 error_normalized=e_normalized.^2; %NLMS算法每一步迭代的均方误差 for n=N:M %利用求解得到的h，与输入信号x做卷积，得到滤波后结果 x2=x(n:-1:n-N+1); y1(n)=h*x2"; y2(n)=h_normalized*x2"; end subplot(411) plot(t,d); axis([1,sample_N,-2,2]); subplot(412) plot(t,x); subplot(413) plot(t,y); subplot(414) plot(t,y_normalized); figure(2) plot(t,error,"r",t,error_normalized,"b"); 自适应滤波器的算法如何用MATLAB去编 帮你在百度文库里找到这个算法，自适应噪声抵消LMS算法Matlab仿真，希望对你有帮助。如有问题，可以再讨论解决。 求基于RLS算法和LMS的自适应均衡系统的MATLAB程序`` 里面有些代码有问题，可以参考，代码还是自己写：！ %基于RLS算法的自适应线性预测 clc; clear all; N=300; M=100;%计算的次数 w1=zeros(N,M);w2=zeros(N,M);I=eye(2);e1=zeros(N,M); for k=1:M %产生白噪声 Pv=0.008;%定义白噪声方差 a1=-0.195;a2=0.95;o=0.02;r=0.95; m=5000;%产生5000个随机数 v=randn(1,m); v=v*sqrt(Pv);%产生均值为0，方差为Pv的白噪声 %m=1:N; v=v(1:N);%取出前1000个 %plot(m,v);title("均值为0，方差为0.0965的白噪声");ylabel("v(n)");xlabel("n"); v=v"; %向量初使化 x=zeros(1,N); x(1)=v(1);%x(0)=v(0) x(2)=v(2)-a1*v(1);%x(1)=v(1)-a1*v(0) w=zeros(2,N); w(:,1)=[0 0]";%w(0)=[0 0]"; X=zeros(2,N); X(:,2)=[v(1) 0]";%X(0)=[0 0]";X(1)=[v(0) 0]" C=zeros(2,2*N); C(:,1:2)=1/o.*I;%C(0)=1/o*I e=zeros(1,N)";%定义误差向量 u=zeros(1,N); g=zeros(2,N); %根据RLS算法进行递推 for n=1:N-2 x(n+2)=v(n+2)-a1*x(n+1)-a2*x(n); X(:,n+2)=[x(n+1) x(n)]"; u(n)=X(:,n+1)"*C(:,2*n-1:2*n)*X(:,n+1); g(:,n)=(C(:,2*n-1:2*n)*X(:,n+1))./(r+u(n)); w(:,n+1)=w(:,n)+g(:,n)*(x(n+1)-X(:,n+1)"*w(:,n)); C(:,2*n+1:2*(n+1))=1/r.*(C(:,2*n-1:2*n)-g(:,n)*X(:,n+1)"*C(:,2*n-1:2*n)); e(n)=x(n+1)-X(:,n+1)"*w(:,n); w1(:,k)=w(1,:)"; w2(:,k)=w(2,:)";%将每次计算得到的权矢量值储存 e1(:,k)=e(:,1);%将每次计算得到的误差储存 end end %求权矢量和误差的M次的平均值 wa1=zeros(N,1);wa2=zeros(N,1);en=zeros(N,1); for k=1:M wa1(:,1)=wa1(:,1)+w1(:,k); wa2(:,1)=wa2(:,1)+w2(:,k); en(:,1)=en(:,1)+e1(:,k); end n=1:N; subplot(221) plot(n,w(1,n),n,w(2,n));%作出单次计算权矢量的变化曲线 xlabel("n");ylabel("w(n)");title("w1(n)和w2(n)的单次变化曲线(线性预测，RLS)") subplot(222) plot(n,wa1(n,1)./M,n,wa2(n,1)./M);%作出100次计算权矢量的平均变化曲线 xlabel("n");ylabel("w(n)");title("w1(n)和w2(n)的100次平均变化曲线") subplot(223) plot(n,e(n,1).^2);%作出单次计算e^2的变化曲线 xlabel("n");ylabel("e^2");title("单次计算e^2的变化曲线"); subplot(224) plot(n,(en(n,1)/M).^2);%作出M次计算e^2的平均变化曲线 xlabel("n");ylabel("e^2");title("100次计算e^2的平均变化曲线");

clear allclose allN=10; %滤波器阶数sample_N=500; %采样点数A=1; %信号幅度snr=10; %信噪比t=1:sample_N; length_t=100; %期望信号序列长度d=A*sin(2*pi*t/length_t); %期望信号M=length(d); %M为接收数据长度x=awgn(d,snr); %经过信道（加噪声）delta=1/(10*N*(A^2)); %计算能够使LMS算法收敛的deltay=zeros(1,M);h=zeros(1,N); %LMS滤波器系数h_normalized=zeros(1,N); %归一化LMS滤波器系数y1=zeros(1,N);for n=N:M %系数调整LMS算法x1=x(n:-1:n-N+1);%LMS算法y(n)=h*x1";e(n)=d(n)-y(n);h=h+delta*e(n)*x1;%NLMS算法y_normalized(n)=h_normalized*x1";e_normalized(n)=d(n)-y_normalized(n);h_normalized=h_normalized+e_normalized(n)*x1/(x1*x1"); enderror=e.^2; %LMS算法每一步迭代的均方误差error_normalized=e_normalized.^2; %NLMS算法每一步迭代的均方误差for n=N:M %利用求解得到的h，与输入信号x做卷积，得到滤波后结果x2=x(n:-1:n-N+1);y1(n)=h*x2";y2(n)=h_normalized*x2";endsubplot(411)plot(t,d);axis([1,sample_N,-2,2]);subplot(412)plot(t,x);subplot(413)plot(t,y);subplot(414)plot(t,y_normalized);figure(2)plot(t,error,"r",t,error_normalized,"b");

检查电脑是否存在病毒，请使用百度卫士进行木马查杀。系统文件损坏或丢失，盗版系统或Ghost版本系统，很容易出现该问题。安装的软件与系统或其它软件发生冲突，找到发生冲突的软件，卸载它。延展回答：Simulink是MATLAB中的一种可视化仿真工具， 是一种基于MATLAB的框图设计环境，是实现动态系统建模、仿真和分析的一个软件包，被广泛应用于线性系统、非线性系统、数字控制及数字信号处理的建模和仿真中。Simulink提供一个动态系统建模、仿真和综合分析的集成环境。在该环境中，无需大量书写程序，而只需要通过简单直观的鼠标操作，就可构造出复杂的系统。Simulink可以用连续采样时间、离散采样时间或两种混合的采样时间进行建模，它也支持多速率系统，也就是系统中的不同部分具有不同的采样速率。为了创建动态系统模型，Simulink提供了一个建立模型方块图的图形用户接口，这个创建过程只需单击和拖动鼠标操作就能完成，它提供了一种更快捷、直接明了的方式，而且用户可以立即看到系统的仿真结果。构架在Simulink基础之上的其他产品扩展了Simulink多领域建模功能，也提供了用于设计、执行、验证和确认任务的相应工具。Simulink与MATLAB紧密集成，可以直接访问MATLAB大量的工具来进行算法研发、仿真的分析和可视化、批处理脚本的创建、建模环境的定制以及信号参数和测试数据的定义。

1、首先打开Matlab，鼠标点击图上的图标，看图：2、然后在弹出的对话框中找到图中的位置,看图：3、点击图中的filter designs，看图：4、看图中绿色的部分（Analog Filter Design）就是模拟滤波器。5、然后点击左上角的图标会弹出窗口，拖进来：6、双击上图的图标出现模拟滤波器的设置项，看图：

步骤如下：1、首先我们选择鼠标单击打开MATLAB工作界面。2、选择下面显示的Simulink按钮以打开Simulink工作环境。3、Simulink设备库可以包含图中数字2的列表。

拟合一条光滑的曲线可以采用回归分析和数值拟合的方法数值拟合主要应用polytool可以，polyfit函数进行。其中polyfit可以完成一次、二次以及多次拟合，但准确性不高。例如：有描述问题甲和问题乙的两组数据(x,y)和(x,z)。设x=[01234];y=[1.01.31.5,2.02.3];z=[0.6,1.95,0.9,2.85,1.8];如果在平面上画出散点图，plot(x,y,"r.",x,z,"b*")那么问题甲的5个点基本在一条直线上而问题乙的5个点却很散乱。如果都用命令c1=polyfit(x,y,1),c2=polyfit(x,z,1)来拟合，将得到同一条直线对于数据较多的情况最好用回归分析进行求解回归分析就是解决这种问题的科学方法。x=[01234]";y=[1.01.31.5,2.02.3]";z=[0.6,1.95,0.9,2.85,1.8]";x=[ones(5,1),x];[b,bint,r,rint,stats]=regress(y,x,0.05);b=0.96000.3300bint=0.76381.15620.24990.4101输出参数的意义：第一个参数的置信区间：[0.76381.1562]第二个参数的置信区间：[0.24990.4101]stats=0.9829171.94740.00100.0063R2=0.9829F=171.9474,p=0.0010.R是衡量y与x的相关程度的指标，称为相关系数。R越大，x与y关系越密切。通常R大于0.9才认为相关关系成立。F是一统计指标p是与F对应的概率，当p<0.05时，回归模型成立。此例中p=0<0.0010<0.05，所以，所得回归模型成立。再输入rcoplot(r,rint)得图形,说明第3个数据应剔除,将会得到更准确的模型.将其中的数据导入matlab处理：将excel中的数据转入TXT文本文件，然后运行MATLAB，在MATLAB中选择File选项中的importdata，选中TXT文本文件即可将数据载入MATLAB，这种方法处理数据在数模中应用很广

第1章MATLAB语言的基础知识及入门1.1MATLAB的发展历程和影响1.2MATLAB系统的构成1.3MATLAB的工作环境1.3.1Linux下安装MATLAB1.3.2Windows下安装MATLAB1.3.3启动和退出MATLAB1.3.4命令窗口(CommandWindow)1.3.5历史窗口(CommandHistory)1.3.6M文件窗口(Editor)1.4MATLAB帮助系统1.4.1纯文本帮助1.4.2演示(Demo)帮助1.4.3Contents帮助文件目录窗1.4.4Index帮助文件索引窗1.4.5Search帮助文件搜索窗1.5MATLAB的保存和装载1.6MATLAB7.5语言的特点1.7SIMULINK简介1.8MATLAB7.5的工具箱1.9MATLAB、Mathematica、Maple、MathCAD的比较1.10小结1.11习题第2章数组、矩阵及其运算2.1数组的创建2.1.1一维数组的创建2.1.2一维数组的子数组寻访和赋值2.1.3二维数组(矩阵)的创建2.1.4矩阵元素的标识2.1.5矩阵的寻访和赋值2.2矩阵的代数运算2.2.1pow2函数2.2.2加、减运算2.2.3乘法2.2.4集合运算2.2.5除法运算2.2.6矩阵乘方2.3矩阵的关系运算2.3.1矩阵的比较关系运算2.3.2矩阵的逻辑关系运算2.4矩阵运算2.4.1矩阵函数2.4.2矩阵转置2.4.3方阵的行列式2.4.4逆与伪逆2.4.5矩阵的迹2.4.6矩阵和向量的范数2.4.7条件数2.4.8矩阵的秩2.4.9向量组的线性相关性2.4.10行阶梯矩阵及向量组的基2.4.11特殊运算2.5符号矩阵运算2.6高维数组2.6.1高维数组的创建2.6.2高维数组的标识2.6.3高维数组的操作2.7非数和空数组2.7.1非数NaN2.7.2空数组2.8矩阵分解2.8.1Cholesky分解2.8.2LU分解2.8.3QR分解2.8.4Schur分解2.8.5实Schur分解转化成复Schur分解2.8.6特征值分解2.8.7奇异值分解2.8.8广义奇异值分解2.8.9特征值问题的QZ分解2.8.10海森伯格形式的分解2.9特征值与特征向量2.9.1特征值与特征向量的求法2.9.2提高特征值的计算精度2.9.3复对角矩阵转化为实对角矩阵2.9.4正交基2.10小结2.11习题第3章MATLAB程序设计基础3.1For循环3.2While循环3.3If-else-End结构3.4switch分支结构3.5try-catch结构3.6input命令3.7continue命令3.8break命令3.9函数的基本结构3.10综合实例3.10.1随机序列产生程序3.10.2倒立摆系统的模型建立3.11小结3.12习题第4章MATLAB求解数学问题4.1符号表达式的生成4.2符号方程的求解4.3极限4.3.1单变量函数的极限4.3.2多变量函数的极限4.4导数和微分4.4.1导数和高阶导数4.4.2高阶混合偏导数4.4.3复合函数求导4.4.4隐函数求偏导4.4.5参数方程求导4.4.6导数的应用4.4.7梯度计算和方向导数4.5积分4.5.1不定积分4.5.2定积分与无穷积分4.5.3重积分4.5.4数值积分4.6曲线积分的MATLAB运算4.6.1第一类曲线积分4.6.2第二类曲线积分4.7曲面积分的MATLAB运算4.7.1第一类曲面积分4.7.2第二类曲面积分4.8函数的零点4.8.1一元函数的零点4.8.2多元函数的零点4.9一元函数极值4.10级数4.10.1级数的求和与审敛4.10.2泰勒展开4.11微分方程问题的计算机求解4.12概率统计4.12.1随机变量及其分布4.12.2随机变量函数的分布4.12.3随机变量的数字特征4.12.4参数估计4.12.5假设检验4.12.6方差分析4.13插值4.13.1一维数据的插值问题4.13.2二维网格数据的插值问题4.13.3二维一般分布数据的插值问题4.14曲线拟合4.14.1多项式拟合4.14.2函数线性组合的曲线拟合方法4.14.3最小二乘曲线拟合4.14.4曲线拟合图形界面4.15小结4.16习题第5章MATLAB的图视化功能5.1MATLAB的图视化概论5.2二维图形5.2.1plot函数5.2.2坐标系定制5.2.3极坐标图5.2.4对数坐标图形5.2.5二维曲线的图视效果强化5.2.6特殊二维图形5.2.7隐函数绘图5.3三维图形5.3.1plot3(三维直线函数)5.3.2三维曲面5.3.3其他三维图形5.3.4三维图形辅助图视效果5.4超维图形表达5.4.1slice命令5.4.2切面等位线图5.5图的结构5.6图形句柄的操作5.6.1创建图形对象5.6.2访问和使用图形对象的句柄5.6.3图形对象的操作5.7应用实例5.7.1分岔现象实例5.7.2BP算法训练神经网络5.7.3改进的BP神经网络算法5.7.4用MATLAB模拟防汛检测系统5.7.5用MATLAB模拟地下抽水机5.7.6用MATLAB模拟台球比赛5.8小结5.9习题第6章图形用户界面(GUI)6.1GUI对象层次结构6.2使用M文件创建GUI对象6.3使用GUIDE创建GUI对象6.4使用GUIDE创建自定义菜单6.5小结6.6习题第7章SIMULINK仿真操作7.1SIMULINK简介7.1.1SIMULINK的窗体介绍7.1.2一个MATLAB/SIMULINK库自带的演示实例7.1.3创建一个MATLAB实例7.2SIMULINK的基本操作7.3SIMULINK的基本模块简介7.4连续系统建模7.4.1线性系统7.4.2非线性系统7.5子系统的创建及封装技术7.5.1使用Subsystems模块创建子系统7.5.2通过压缩已有的模块创建子系统7.5.3使用if子系统模块创建系统7.5.4使用while子系统模块创建系统7.5.5条件执行子系统7.5.6模块封装技术7.6离散时间系统和混合系统7.6.1逻辑模块LogicalOperator7.6.2初值设计模块IC7.6.3单位延时模块UnitDelay和零阶保持器Zero-OrderHold7.7SIMULINK的分析工具7.7.1Sim,Simset命令及示例7.7.2模型线性化7.7.3系统平衡点分析7.8SIMULINK综合实例7.8.1SIMULINK模型和MATLAB指令配合使用7.8.2仿真模型和优化指令的协调7.8.3不同解算器处理Stiff系统时表现7.8.4代数环的形成7.8.5代数环的处理7.9S函数的设计及应用7.9.1S函数模板说明7.9.2S函数示例7.10SimPowerSystems电力系统专业模块简介7.11小结7.12习题第8章MATLAB应用程序8.1悬吊式起重机动力学仿真8.1.1悬吊式起重机动力学方程8.1.2悬吊式起重机动力学SIMULINK建模8.1.3建立子系统8.1.4悬吊式起重机动力学SIMULINK仿真8.2模糊控制程序8.3使用MATLAB统计数据8.4基于MATLAB的图像平滑8.4.1邻域平均法8.4.2中值滤波法8.4.3空间低通8.4.4频域低通8.4.5程序清单8.5一种基于肤色分割和匹配的人脸识别8.5.1将RGB空间转换为YcbCr空间8.5.2将彩色图像转换为灰度图像8.5.3消除噪声8.5.4对图像做填孔处理8.5.5图像重构8.5.6再处理8.5.7进一步确定人脸区域8.5.8边缘检测8.6非线性二联机系统的跟踪控制8.7小结8.8习题第9章MATLAB实验部分实验一MATLAB环境熟悉及基本操作实验二数组(矩阵)及其运算实验三M文件及MATLAB程序设计实验四MATLAB的数学问题求解实验五MATLAB绘图的基本操作实验六MATLAB及SIMULINK使用练习参考文献……

在simulink的simulation->configuration parameters里面设置。默认是可变的(variable-step)自动步长的(auto). 如果要改变步长，可把variable-step改车fixed-step，step size(fundamental sample time)可自己来指定。

simulink主要就是用来仿真的仿真就是说用程序去模仿真是的事情，比如在初中我们都做过“欧姆表测电阻”，当时是拿着欧米表，电阻，连线。。。。一堆东西按照电路图连接，然后打开开关测量，欧姆表显示读数。在simulink中，就有虚拟的欧姆表，电阻，连线、、、、你只要新建一个文件，就是建了一个板（这样说比较形象），然后把你需要的东西复制到你新建的文件中板上，然后simulink就会自动模仿真是的情形开始仿真了！当然simulink不是用来解决这中小问题的，它里面有很多的虚拟元器件，一般一些大型工程，为了省钱就直接用simulink仿真模拟做实验，其实你就可以把simulink看做是一个虚拟的实验室，里面有丰富的工具，你只要按照软件的操作要求去连接工具就能做试验了。你要想更深刻的体会，你最好自己去摸索下simulink，它真的很强大，据说美国宇航局很多大型的关键项目都是先用simulink仿真的

不好意思，MATLAB实际上对电子器件的支持度是不够的，在Powersystem里面，只有对强电的分析，没有电子元件。MATLAB实际上最擅长是系统仿真，信号处理。听说运放要自己搭建，但我还没有见过谁用MATLAB自己搭过。建议你使用EWB、Multisim等等实现电子仿真。

s函数 一下是s函数的介绍 函数是system Function的简称，用它来写自己的simulink模块。（够简单吧，^_^， 详细的概念介绍大伙看帮助吧）可以用matlab、C、C++、Fortran、Ada等语言来写， 这儿我只介绍怎样用matlab语言来写吧（主要是它比较简单） 先讲讲为什么要用s函数，我觉得用s函数可以利用matlab的丰富资源，而不仅仅局 限于simulink提供的模块，而用c或c++等语言写的s函数还可以实现对硬件端口的操作， 还可以操作windows API等的 先介绍一下simulink的仿真过程（以便理解s函数），simulink的仿真有两个阶段： 一个为初始化，这个阶段主要是设置一些参数，像系统的输入输出个数、状态初值、 采样时间等；第二个阶段就是运行阶段，这个阶段里要进行计算输出、更新离散状态、 计算连续状态等等，这个阶段需要反复运行，直至结束。 在matlab的workspace里打edit sfuntmpl(这是matlab自己提供的s函数模板)，我们 看它来具体分析s函数的结构。 它的第一行是这样的：function [sys,x0,str,ts]=sfuntmpl(t,x,u,flag) 先讲输入与输出变量的含义：t是采样时间，x是状态变量，u是输入（是做成simulink模 块的输入）,flag是仿真过程中的状态标志（以它来判断当前是初始化还是运行等）；sys输出根据flag的不同而不同（下面将结合flag来讲sys的含义），x0是状态变量的初始值，str是保留参数（mathworks公司还没想好该怎么用它，嘻嘻，一般在初始化中将它置空就可以了,str=[])，ts是一个1×2的向量，ts(1)是采样周期，ts(2)是偏移量。 下面结合sfuntmpl.m中的代码来讲具体的结构： switch flag, %判断flag，看当前处于哪个状态 case 0, [sys,x0,str,ts]=mdlInitializeSizes; flag=0表示处于初始化状态，此时用函数mdlInitializeSizes进行初始化，此函数在 sfuntmpl.m的149行 我们找到他，在初始化状态下，sys是一个结构体，用它来设置模块的一些参数，各个参 数详细说明如下 size = simsizes;%用于设置模块参数的结构体用simsizes来生成 sizes.NumContStates = 0;%模块连续状态变量的个数 sizes.NumDiscStates = 0;%模块离散状态变量的个数 sizes.NumOutputs = 0;%模块输出变量的个数 sizes.NumInputs = 0;%模块输入变量的个数 sizes.DirFeedthrough = 1;%模块是否存在直接贯通（直接贯通我的理解是输入能 %直接控制输出） sizes.NumSampleTimes = 1;%模块的采样时间个数，至少是一个 sys = simsizes(sizes); %设置完后赋给sys输出 举个例子，考虑如下模型： dx/dt=fc(t,x,u) 也可以用连续状态方程描述：dx/dt=A*x+B*u x(k+1)=fd(t,x,u) 也可以用离散状态方程描述：x(k+1)=H*x(k)+G*u(k) y=fo(t,x,u) 也可以用输出状态方程描述：y=C*x+D*u 设上述模型连续状态变量、离散状态变量、输入变量、输出变量均为1个，我们就只需改上面那一段代码为： （一般连续状态与离散状态不会一块用，我这儿是为了方便说明） sizes.NumContStates=1;sizes.NumDiscStates=1;sizes.NumOutputs=1;sizes.NumInpu ts=1; 其他的可以不变。继续在mdlInitializeSizes函数中往下看： x0 = []; %状态变量设置为空，表示没有状态变量，以我们上面的假设，可改 %为x0=[0,0](离散和连续的状态变量我们都设它初值为0) str = []; %这个就不用说了，保留参数嘛，置[]就可以了，反正没什么用，可 %能7.0会给它一些意义 ts = [0 0]; %采样周期设为0表示是连续系统，如果是离散系统在下面的mdlGet %TimeOfNextVarHit函数中具体介绍 嘻嘻，总算讲完了初始化，后面的应该快了 在sfuntmpl的106行继续往下看： case 1, sys=mdlDerivatives(t,x,u); flag=1表示此时要计算连续状态的微分，即上面提到的dx/dt=fc(t,x,u)中的dx/dt,找到 mdlDerivatives函数（在193行）如果设置连续状态变量个数为0，此处只需sys=[]; 就可以了（如sfuntmpl中一样），按我们上述讨论的那个模型，此处改成 sys=fc(t,x(1),u)或sys=A*x(1)+B*u %我们这儿x(1)是连续状态变量，而x(2)是离散的 ，这儿只用到连续的，此时的输出sys就是微分 继续，在sfuntmpl的112行： case 2, sys=mdlUpdate(t,x,u); flag=2表示此时要计算下一个离散状态，即上面提到的x(k+1)=fd(t,x,u)，找到mdlUpd ate函数（在206行）它这儿sys=[];表示没有离散状态，我们这而可以改成 sys=fd(t,x(2),u)或sys=H*x(2)+G*u;%sys即为x(k+1) 看来后面几个一两句话就可了，呵呵，在sfuntmpl的118行 case 3, sys=mdlOutputs(t,x,u); flag=3表示此时要计算输出，即y=fo(t,x,u),找到mdlOutputs函数（在218行），如上，如果sys=[]表示没有输出，我们改成sys=fo(t,x,u)或sys=C*x+D*u %sys此时为输出y 好像快完了，嘻嘻，在sfuntmpl的124行 case 4, sys=mdlGetTimeOfNextVarHit(t,x,u); flag=4表示此时要计算下一次采样的时间，只在离散采样系统中有用(即上文的mdlInit ializeSizes中提到的ts设置ts(1)不为0) 连续系统中只需在mdlGetTimeOfNextVarHit函数中写上sys=[];这个函数主要用于变步长的设置，具体实现大家可以用edit vsfunc看vsfunc.m这个例子 最后一个，在sfuntmpl的130行 case 9, sys=mdlTerminate(t,x,u); flag=9表示此时系统要结束，一般来说写上在mdlTerminate函数中写上sys=[]就可，如 果你在结束时还要设置什么，就在此函数中写 关于sfuntmpl这个s函数的模板讲完了。 s函数还可以带用户参数，下面给个例子，和simulink下的gain模块功能一样，大伙自己 看吧，我睡觉去了，累了 function [sys,x0,str,ts] = sfungain(t,x,u,flag,gain) switch flag, case 0, sizes = simsizes; sizes.NumContStates = 0; sizes.NumDiscStates = 0; sizes.NumOutputs = 1; sizes.NumInputs = 1; sizes.DirFeedthrough = 1; sizes.NumSampleTimes = 1; sys = simsizes(sizes); x0=[]; str=[]; ts=[0,0]; case 3, sys=gain*u; case {1,2,4,9}, sys = []; end 做好了s函数后，simulink--user-defined function下拖一个S-Function到你的模型，就可以用了 在simulink----user-defined function还有个s-Function Builder，他可以生成用c语 言写的s函数 在matlab的workspace下打sfundemos，可以看到很多演示s函数的程序

1 选5个移位寄存器，就是Z分之1 按顺序排列好，其中第二个初始条件设置为0，其他的默认为1.2 先把这5个移位寄存器链接起来 第一个输出连第二个输入，以此类推到第五个接OUT，out这里再接一个scope以便观察信号波形3 选一个logical operator，并从设置中调成XOR，4输入端4 继续连线，XOR的输出端接第一个移位寄存器的输入端；然后把XOR输入端引到第二个移位寄存器和第三个移位寄存器的连线上，此时XOR还有3个输入端，分别像刚刚那样分别引到第三和第四，第四和第五，第五和out的线上5 点击运行 scope中显示的便是m序列，看吧 周期是31，1的个数比0多一个，而且没有重复波形！

找不到用恒定电压源串电阻也一样

simulink仿真平台整体的功能比较局限，模块也是固定的，加减模块寻找方法为：1、使用命令行simulink，启动simulink工具。2、在simulink中打开库浏览器。3、找到源信号正弦波。4、再选择微分器模块，在连续系统里选择derivative。5、用信号线连接各个模块，并设置源信号参数。6、运行建立的模型，并示波器显示中查看原信号和微分信号的比较。注意事项：在MATLAB命令窗口中输入simulink结果是在桌面上出现一个称为Simulink Library Browser的窗口，在这个窗口中列出了按功能分类的各种模块的名称。当然用户也可以通过MATLAB主窗口的快捷按钮来打开Simulink Library Browser窗口。

不懂哦！推荐一个电子技术导航网址给你参考下啦！ 电子世家网址导航 ----在它的编程语言这个栏目就有啦！

选中以后，ctrl+R和ctrl+I，自己试试

1、simulink直接通过点击"matlab"界面/在命令窗口中输入“simulink”都会打开一个无法创建新模型的界面。通过在命令窗口中输入"slLibraryBrowser”可以进入库，然后通过此创建新模型。 2、出现上类问题或者在运行的时候一直卡到2%不前进，可能是在matlab的文件路径中出现中文名称的文件夹，这时候只要重命名就好。但若是重命名的时候老是显示“被占用，请重试”，那么就调出任务管理器(通过右键--任务栏---任务管理器)---点击CPU----点击左下方的“查看资源分配”-----点击需要的盘进入----点击性能----输入该文件夹并结束该文件夹下的软件进程。

基于Matlab/Simulink建模与仿真关系 摘要 用MATLAB/Simulink来设计数字逻辑电路给设计者开辟了一种全新的设计方法的可能性使用Simulink模块进行以代替传统的原理

Simulink是MATLAB中的一种可视化仿真工具， 是一种基于MATLAB的框图设计环境，是实现动态时间进行建模，它也支持多速率系统，也就是系统中的不同部分具有不同的采样速率。为了创建动态系统模型，Simulink提供了一个建立模型方块图的图形用户接口，这个创建过程只需单击和拖动鼠标操作就能完成，它提供了一种更快捷、直接明了的方式，而且用户可以立即看到系统的仿真结果。Simulink是用于动态系统和嵌入式系统的多领域仿真和基于模型的设计工具。对各种时变系统，包括通讯、控制、信号处理、视频处理和图像处理系统，Simulink提供了交互式图形化环境和可定制模块库来对其进行设计、仿真、执行和测试。参见百度百科：网页链接

的确不基于2^n也能算作为用户，我们可以通过命令fft(xn,m)计算任意m点（m大于等于xn的长度）的fft。你可以通过helpfft发现fft还有很多附加参数。matlab的内核算法到底是否基于2^n，我们不需要知道。

的确不基于2^n也能算作为用户，我们可以通过命令fft(xn,m)计算任意m点（m大于等于xn的长度）的fft。你可以通过 help fft 发现fft还有很多附加参数。matlab的内核算法到底是否基于2^n，我们不需要知道。

一维快速傅里叶变换，低频成分在矩阵的两边，要将低频成分放到中间的话用fftshift(fft( ))

　　FFT是离散傅立叶变换的快速算法，可以将一个信号变换到频域。有些信号在时域上是很难看出什么特征的，但是如果变换到频域之后，就很容易看出特征了。这就是很多信号分析采用FFT变换的原因。另外，FFT可以将一个信号的频谱提取出来，这在频谱分析方面也是经常用的。 虽然很多人都知道FFT是什么，可以用来做什么，怎么去做，但是却不知道FFT之后的结果是什意思、如何决定要使用多少点来做FFT。 现在圈圈就根据实际经验来说说FFT结果的具体物理意义。一个模拟信号，经过ADC采样之后，就变成了数字信号。采样定理告诉我们，采样频率要大于信号频率的两倍，这些我就不在此罗嗦了。 采样得到的数字信号，就可以做FFT变换了。N个采样点，经过FFT之后，就可以得到N个点的FFT结果。为了方便进行FFT运算，通常N取2的整数次方。 假设采样频率为Fs，信号频率F，采样点数为N。那么FFT之后结果就是一个为N点的复数。每一个点就对应着一个频率点。这个点的模值，就是该频率值下的幅度特性。具体跟原始信号的幅度有什么关系呢？假设原始信号的峰值为A，那么FFT的结果的每个点（除了第一个点直流分量之外）的模值就是A的N/2倍。而第一个点就是直流分量，它的模值就是直流分量的N倍。而每个点的相位呢，就是在该频率下的信号的相位。第一个点表示直流分量（即0Hz），而最后一个点N的再下一个点（实际上这个点是不存在的，这里是假设的第N+1个点，也可以看做是将第一个点分做两半分，另一半移到最后）则表示采样频率Fs，这中间被N-1个点平均分成N等份，每个点的频率依次增加。例如某点n所表示的频率为：Fn=(n-1)*Fs/N。由上面的公式可以看出，Fn所能分辨到频率为为Fs/N，如果采样频率Fs为1024Hz，采样点数为1024点，则可以分辨到1Hz。1024Hz的采样率采样1024点，刚好是1秒，也就是说，采样1秒时间的信号并做FFT，则结果可以分析到1Hz，如果采样2秒时间的信号并做FFT，则结果可以分析到0.5Hz。如果要提高频率分辨力，则必须增加采样点数，也即采样时间。频率分辨率和采样时间是倒数关系。 假设FFT之后某点n用复数a+bi表示，那么这个复数的模就是An=根号a*a+b*b，相位就是Pn=atan2(b,a)。根据以上的结果，就可以计算出n点（n≠1，且n<=N/2）对应的信号的表达式为：An/(N/2)*cos(2*pi*Fn*t+Pn)，即2*An/N*cos(2*pi*Fn*t+Pn)。对于n=1点的信号，是直流分量，幅度即为A1/N。 由于FFT结果的对称性，通常我们只使用前半部分的结果，即小于采样频率一半的结果。 好了，说了半天，看着公式也晕，下面圈圈以一个实际的信号来做说明。 假设我们有一个信号，它含有2V的直流分量，频率为50Hz、相位为-30度、幅度为3V的交流信号，以及一个频率为75Hz、相位为90度、幅度为1.5V的交流信号。用数学表达式就是如下：S=2+3*cos(2*pi*50*t-pi*30/180)+1.5*cos(2*pi*75*t+pi*90/180) 式中cos参数为弧度，所以-30度和90度要分别换算成弧度。我们以256Hz的采样率对这个信号进行采样，总共采样256点。按照我们上面的分析，Fn=(n-1)*Fs/N，我们可以知道，每两个点之间的间距就是1Hz，第n个点的频率就是n-1。我们的信号有3个频率：0Hz、50Hz、75Hz，应该分别在第1个点、第51个点、第76个点上出现峰值，其它各点应该接近0。实际情况如何呢？我们来看看FFT的结果的模值如图所示。图1 FFT结果 从图中我们可以看到，在第1点、第51点、和第76点附近有比较大的值。我们分别将这三个点附近的数据拿上来细看：1点： 512+0i2点： -2.6195E-14 - 1.4162E-13i 3点： -2.8586E-14 - 1.1898E-13i50点：-6.2076E-13 - 2.1713E-12i51点：332.55 - 192i52点：-1.6707E-12 - 1.5241E-12i75点：-2.2199E-13 -1.0076E-12i76点：3.4315E-12 + 192i77点：-3.0263E-14 +7.5609E-13i 很明显，1点、51点、76点的值都比较大，它附近的点值都很小，可以认为是0，即在那些频率点上的信号幅度为0。接着，我们来计算各点的幅度值。分别计算这三个点的模值，结果如下：1点： 51251点：38476点：192 按照公式，可以计算出直流分量为：512/N=512/256=2；50Hz信号的幅度为：384/(N/2)=384/(256/2)=3；75Hz信号的幅度为192/(N/2)=192/(256/2)=1.5。可见，从频谱分析出来的幅度是正确的。 然后再来计算相位信息。直流信号没有相位可言，不用管它。先计算50Hz信号的相位，atan2(-192, 332.55)=-0.5236,结果是弧度，换算为角度就是180*(-0.5236)/pi=-30.0001。再计算75Hz信号的相位，atan2(192, 3.4315E-12)=1.5708弧度，换算成角度就是180*1.5708/pi=90.0002。可见，相位也是对的。根据FFT结果以及上面的分析计算，我们就可以写出信号的表达式了，它就是我们开始提供的信号。 总结：假设采样频率为Fs，采样点数为N，做FFT之后，某一点n（n从1开始）表示的频率为：Fn=(n-1)*Fs/N；该点的模值除以N/2就是对应该频率下的信号的幅度（对于直流信号是除以N）；该点的相位即是对应该频率下的信号的相位。相位的计算可用函数atan2(b,a)计算。atan2(b,a)是求坐标为(a,b)点的角度值，范围从-pi到pi。要精确到xHz，则需要采样长度为1/x秒的信号，并做FFT。要提高频率分辨率，就需要增加采样点数，这在一些实际的应用中是不现实的，需要在较短的时间内完成分析。解决这个问题的方法有频率细分法，比较简单的方法是采样比较短时间的信号，然后在后面补充一定数量的0，使其长度达到需要的点数，再做FFT，这在一定程度上能够提高频率分辨力。具体的频率细分法可参考相关文献。[附录：本测试数据使用的matlab程序]close all; %先关闭所有图片Adc=2; %直流分量幅度A1=3; %频率F1信号的幅度A2=1.5; %频率F2信号的幅度F1=50; %信号1频率(Hz)F2=75; %信号2频率(Hz)Fs=256; %采样频率(Hz)P1=-30; %信号1相位(度)P2=90; %信号相位(度)N=256; %采样点数t=[0:1/Fs:N/Fs]; %采样时刻%信号S=Adc+A1*cos(2*pi*F1*t+pi*P1/180)+A2*cos(2*pi*F2*t+pi*P2/180);%显示原始信号plot(S);title("原始信号");figure;Y = fft(S,N); %做FFT变换Ayy = (abs(Y)); %取模plot(Ayy(1:N)); %显示原始的FFT模值结果title("FFT 模值");figure;Ayy=Ayy/(N/2); %换算成实际的幅度Ayy(1)=Ayy(1)/2;F=([1:N]-1)*Fs/N; %换算成实际的频率值plot(F(1:N/2),Ayy(1:N/2)); %显示换算后的FFT模值结果title("幅度-频率曲线图");figure;Pyy=[1:N/2];for i="1:N/2"Pyy(i)=phase(Y(i)); %计算相位Pyy(i)=Pyy(i)*180/pi; %换算为角度end;plot(F(1:N/2),Pyy(1:N/2)); %显示相位图title("相位-频率曲线图");看完这个你就明白谐波分析了。

disp("请输入一个128点序列");for ii=1:128 %用户可以自由输入序列x(ii) = input(["x(",num2str(ii),")="]);end%整体运用原位计算m=nextpow2(x);N=2^m; % 求x的长度对应的2的最低幂次mif length(x)<N x=[x,zeros(1,N-length(x))]; % 若x的长度不是2的幂，补零到2的整数幂end nxd=bin2dec(fliplr(dec2bin([1:N]-1,m)))+1; % 求1:2^m数列序号的倒序y=x(nxd); % 将x倒序排列作为y的初始值for mm=1:m % 将DFT作m次基2分解,从左到右，对每次分解作DFT运算,共做m级蝶形运算，每一级都有2^(mm-1)个蝶形结Nz=2^mm;u=1; % 旋转因子u初始化为WN^0=1WN=exp(-i*2*pi/Nz); % 本次分解的基本DFT因子WN=exp(-i*2*pi/Nz)for j=1:Nz/2 % 本次跨越间隔内的各次蝶形运算,在进行第mm级运算时需要2^(mm-1)个 蝶形for k=j:Nz:N % 本次蝶形运算的跨越间隔为Nz=2^mmkp=k+Nz/2; % 蝶形运算的两个因子对应单元下标的关系t=y(kp)*u; % 蝶形运算的乘积项y(kp)=y(k)-t; % 蝶形运算y(k)=y(k)+t; % 蝶形运算endu=u*WN; % 修改旋转因子,多乘一个基本DFT因子WNendendyy1=fft(x) %自己编的FFT跟直接调用的函数运算以后的结果进行对比

m=10;%行数n=15;%列数A=zeros(m,n); %生成全零矩阵b=randi(m,[1 n]); %生成n个从1到m的随机整数ind=sub2ind([m,n],b,1:n);%形成位置A(ind)=1;%将对应位置变为1

可以yolov3算法是属于神经网络算法的。 Yolov3是一个目标检测算法项目,而目标检测的本质,就是识别与回归,而处理图像用的最多的就是卷积神经网络CNN

建议把编译原理学会，再去看各种语言就觉得很简单了。

这种情况需要用中心频率50Hz 限波宽度1~5Hz的限波滤波器。你指的“方波 频率 0.05Hz 到 35Hz之间 变化”这个只是方波的基波变化范围，方波的奇次谐波频谱可以覆盖整个频域，只不过随着频率的增大幅值越小。对于你现在这种情况，滤波后只能逼近方波，但不会是标准的方波。

好好运用o(∩_∩)o...

现在比较常用的是台湾一个大学教授编的一个svm工具箱叫“Libsvm”，有c版本的和matlab版本的，你可以到网上下载下来研究一下

上篇　方法演绎第1章　数据建模常规方法的matlab实现1.1　数据的读人与读出1.2　数据拟合方法1.3　数据拟合应用实例1.4　数据的可视化第2章　规划问题的matlab求解2.1　线性规划2.2　非线性规划2.3　整数规划第3章　灰色预测及其matlab实现3.1　灰色预测基础知识3.2　灰色预测的matlab程序3.3　灰色预测应用实例第4章　遗传算法及其matlab实现4.1遗传算法基本原理4.1.1人工智能算法概述4.1.2遗传算法生物学基础4.1.3遗传算法实现步骤4.1.4遗传算法的拓展4.2遗传算法MATLAB程序设计4.2.1程序设计流程及参数选取4.2.2 MATLAB遗传算法工具箱4.3遗传算法应用案例4.3.1案例一 无约束目标函数最大值遗传算法求解策略4.3.2案例二 CUMCM中多约束非线性规划问题的求解第5章 粒子群算法及其MATLAB实现5.1 PSO算法相关知识5.1.1 初识PSO算法5.1.2 PSO算法基本理论5.1.3 PSO算法的约束优化5.1.4 PSO算法优缺点5.2 PSO算法程序设计5.2.1程序设计流程5.2.2 PSO算法的参数选取5.2.3 PSO算法MATLAB源程序范例5.3 应用案例 基于PSO算法和BP算法训练神经网络5.3.1如何评价网络的性能5.3.2 BP算法能够搜索到极值的原理5.3.3 PSO-BP神经网络的设计指导原则5.3.4 PSO算法优化神经网络结构5.3.5 PSO-BP神经网络的实现第6章 模拟退火算法及其Matlab实现 6.1 算法的基本理论6.1.1 算法概述6.1.2 基本思想6.1.3 其它一些参数的说明6.1.4 算法基本步骤6.1.5 几点说明6.2 算法的Matlab实现6.2.1 算法设计步骤6.2.2 典型程序结构6.3 应用实例：背包问题的求解9.3.1 问题的描述9.3.2 问题的求解6.4 模拟退火程序包ASA简介6.4.1 ASA的优化实例6.4.2 ASA的编译6.4.3 Matlab版ASA的安装与使用6.5 小结6.6 延伸阅读第7章 人工神经网络及其Matlab实现7.1 人工神经网络基本理论7.1.1 网络模型拓扑结构7.1.2常用激励函数7.1.3 常见神经网络理论7.1.4四层径向基小波神经网络结构设计7.2 BP神经网络MATLAB工具箱7.2.1 BP网络创建函数7.2.2 神经元激励函数7.2.3 BP网络学习函数7.2.4 BP网络训练函数7.2.5 性能函数7.3组建神经网络的注意事项7.3.1神经元结点数7.3.2数据预处理和后期处理7.3.3 学习速度的选定7.4 应用实例7.4.1基于MATLAB工具箱公路运量预测7.4.2 基于MATLAB源程序公路运量预测7.4.3 艾滋病治疗最佳停药时间的确定第8章 小波分析及其MATLAB实现 8.1小波分析基本理论8.1.1 Fourier变换的局限性8.1.2 伸缩平移和小波变换8.1.3小波变换入门和多尺度分析8.1.4小波窗函数自适应分析8.1.5梦的凝缩与小波多尺度分解8.2小波分析MATLAB程序设计8.2.1 小波分析工具箱函数指令8.2.2小波分析程序设计综合案例8.3小波分析应用案例8.3.1案例一 融合拓扑结构的小波神经网络8.3.2案例二 血管重建引出的图像数字水印第9章 计算机虚拟及其MATLAB实现 9.1计算机虚拟基本知识9.1.1从3G移动互联网协议W-CDMA谈MATLAB虚拟9.1.2计算机虚拟与数学建模9.1.3数值模拟与经济效益博弈9.2数值模拟MATLAB程序设计9.2.1 微分方程组模拟9.2.2服从概率分布随机模拟9.2.3蒙特卡罗模拟9.3动态仿真MATLAB程序设计9.2.1 MATLAB音频处理9.2.2 MATLAB常见6种动画形式9.4应用案例 四维水质模型9.3.1引例提出9.3.2 引例分析9.3.3四维水质模型准备9.3.4 条件假设与符号约定9.3.5四维水质模型的组建9.3.6 模型求解9.3.7计算机模拟情境下篇 真题演习 第10章 彩票中的数学(CUMCM2002B) 10.1 问题的提出10.2 问题二模型的建立10.2.1 模型假设与符号说明10.2.2 模型的准备10.2.3 模型的建立10.3 模型的求解10.3.1 求解的思路10.3.2 Matlab程序13.3.3 程序结果10.4 技巧点评第11章 露天矿卡车调度问题(CUMCM2003B) 11.1 问题的提出11.2 基本假设与符号说明11.2.1 基本假设11.2.2 符号的说明11.3 问题的分析及模型的准备11.4 原则1数学模型（模型1）的建立与求解11.4.1模型的建立11.4.2 模型的求解11.5 原则2数学模型（模型2）的建立与求解11.6 技巧点评第12章 奥运会商圈规划问题(CUMCM2004A)12.1 问题的描述12.2 基本假设、名词约定及符号说明12.2.1基本假设12.2.2符号说明12.2.3名词约定12.3 问题的分析与模型的准备12.3.1基本思路12.3.2基本数学表达式的构建12.4. 设置MS网点数学模型的建立与求解12.4.1模型的建立12.4.2模型的求解12.5 设置MS网点理论体系的建立12.6 商区布局规划的数学模型12.6.1模型的建立12.6.2模型的求解12.7 模型的评价及使用说明12.7.1 模型的优点12.7.2 模型的缺点12.8 技巧点评第13章 卫星和飞船的跟踪测控（CUMCM2009C） 13.1 问题的提出13.2 模型的组建13.2.1 基本假设13.2.2 符号约定13.2 模型的建立13.2.1 模型一 椭圆形运行轨道的测控站设置13.2.2 模型二 圆形运行轨道的测控站设置13.3 模型的求解和结果13.4飞船测控系统的仿真13.4.1 仿真思路与步骤13.4.2 仿真程序与结果13.5 模型的讨论13.6 技巧点评第14章 出版社的资源配置问题(CUMCM2006A) 14.1 问题重述14.2 符号说明和基本假设14.2.1 基本符号说明14.2.2 基本假设14.3 问题分析和模型的准备14.3.1 各学科（分社）内部书号个数的分配14.3.2 由分配到的书号数计算销售量14.3.3 人力资源的约束14.3.4 由市场占有率确定强势产品14.3.5 权重满意度、评价函数和潜在效益价值14.4 规划模型的建立14.4.1 目标函数的确定14.4.2 约束条件的挖掘14.4.3 规划模型14.5 模型的求解14.5.1 直接利用MATLAB自带的优化工具箱求解14.5.2 遗传算法求解规划问题14.5.3 所有课程分配书号数的确定14.6 技巧点评第15章 城市供水量预测(电工杯2007B) 15.1 问题重述15.2 模型的建立和求解15.2.1模型的假设15.2.2符号约定15.2.3 问题的分析15.3 模型一 城市计划供水量的灰色预测15.3.1 问题的小波分析15.3.2 灰色预测的建立和实现15.4 模型二 两个水厂计划供水量的灰色预测15.5 模型三 改进型四层隐节点合成BP神经网络模型15.5.1 BP神经网络的建立15.5.2 Matlab实现程序15.5.3 模型的结果15.6 模型的检验15.7 模型的优缺点15.8 技巧点评附件 数学建模参赛经验 一、如何准备数学建模竞赛二、数学建模队员应该如何学习Matlab三、如何才能在数学建模竞赛中取得好成绩四、数学建模竞赛中的项目管理和时间管理五、一种非常实用的数学建模方法：目标建模法

fplot("variable.*sin(10*pi*variable)+2.0",[-2,2]);fieldd=[20;-1;2;1;0;1;1];函数的范围不同。第一个是【-2，2】，第二个是【-1.-2】.还有里面一句的 plot(variable(i),y,"bo");虽然去后后程序可以正常运行但我不知道怎么用。

同求~

只要成图显示就直接使用imagesc函数，不需要对系数矩阵做任何处理，当然前提是你的小波系数是实数。

matlab有相应的函数，可以直接调用。close allclear allclc;I=imread("F:图像变化检测imageTexture image(3.27) exture5.tif");%I=rgb2gray(I); %% if the input image is RGB form.%I=I(1:128,1:128); %% derive a small one just for demoI=im2double(I);w=15;I1=wextend("2D","sym",I,(w-1)/2); %I=wextend("2D","sys",I,[w/2-1/2,w/2-1/2]); this is used for odd size window %扫描窗口的大小15*15，为之后程序方便找中心点可以将窗口设置成4*4-32*32之间的任何奇数窗口%%s=4; %this variable is used for setting the range of the distance between i and j,remember don"t set s a too big num.%A=zeros(s,1);%B=(1:s)";%offsets1 = [A B;-B B;-B A;-B -B]; %% sets the directions and distance within the pexil i and j%offsets1=[0 1]; %水平单步%[m,n]=size(I1); I11=zeros(m,n); %定义5个矩阵用于存放由graycomatrix产生的5个参数I12=zeros(m,n); %这样就能够再执行完一次操作后，利用得到的各种特征参数矩阵分别去聚类分割I13=zeros(m,n); %这样总的耗时短，不用每次都重新执行扫描窗口和共生矩阵来产生特征参数（这个最耗费时间）I14=zeros(m,n);I15=zeros(m,n);for i=(w+1)/2:m-(w-1)/2 for j=(w+1)/2:n-(w-1)/2 W=zeros(); W=I1(i-(w-1)/2:i+(w-1)/2,j-(w-1)/2:j+(w-1)/2); [glcms,SI] = graycomatrix(W,"NumLevels",8,"G",[],"offset",offsets1);stats = graycoprops(glcms,"all");Con=[stats.Contrast];H=[stats.Homogeneity];Cor=[stats.Correlation];Ee=[stats.Energy];eigenvalue=mean(Con); I11(i,j)=eigenvalue;I12(i,j)=mean(H);I13(i,j)=mean(Cor);I14(i,j)=mean(Ee);I15(i,j)=mean(En); endend%I2=I15((w+1)/2:m-(w-1)/2,(w+1)/2:n-(w-1)/2); ma=max(I2(:)); mi=min(I2(:));I3=(I2-mi)/(ma-mi); I3=im2double(I3);

用graycomatrix函数，注意不同版本的matlab用法稍微会有不同，

glcm = graycomatrix(I) 从图像I创建灰度共生矩阵glcm。通过计算具有灰度级i和灰度级j的像素对在水平方向相邻出现的频繁程度。glcm中的每个元素说明了水平方向相邻像素对出现的次数。如果灰度级为L则glcm的维数为L*L。 2.glcms = graycomatrix(I,param1,val1,param2,val2,...)根据参数对的设定，返回一个或多个灰度共生矩阵。 参数说明： "GrayLimits"：灰度界限，为二元向量[low high]。灰度值小于等于low 时对应1，大于等于high时对应于灰度级。如果参数设为[]，则共生矩阵使用图像的最小和最大灰度值作为界限，即[min(I(:)) max(I(:))]。 "NumLevels"：整数，说明I中进行灰度缩放的灰度级数目。例如，如果NumLevel设为8，则共生矩阵缩放I中的灰度值使它们为1到8之间的整数。灰度级的数目决定了共生矩阵glcm的尺寸。缺省情况：数字图像：8；二进制图像：2。 "Offset"：p行2列整型矩阵，说明感兴趣像素与其相邻像素之间的距离。每行是一个说明像素对之间偏移关系的二元向量[row_offset, col_offset]。行偏移row_offset是感兴趣像素和其相邻像素之间的间隔行数。列偏移同理。偏移常表达为一个角度，常用的角度如下：（其中D为像素距离） 角度 0 45 90 135 Offset [0,D] [-D D] [-D 0] [-D -D] 3.[glcms,SI] = graycomatrix(...) 返回缩放图像SI，SI是用来计算灰度共生矩阵的。SI中的元素值介于1和灰度级数目之间。graycoprops：得到灰度共生矩阵得到各种属性 stats = graycoprops(glcm, properties)：从灰度共生矩阵glcm计算静态属性。glcm是m*n*p的有效灰度共生矩阵。如果glcm是一个灰度共生矩阵的矩阵，则stats是包括每个灰度共生矩阵静态属性的矩阵。 graycoprops正规化了灰度共生矩阵，因此元素之和为1。正规化的GLCM中的元素（r，c）是具有灰度级r和c的定义的空间关系的像素对的联合概率。Graycoprops使用正规化的GLCM来计算属性。 属性参数如下： 1. "Contrast" : 对比度。返回整幅图像中像素和它相邻像素之间的亮度反差。取值范围：[0,（GLCM行数-1）^2]。灰度一致的图像，对比度为0。 2. "Correlation" : 相关。返回整幅图像中像素与其相邻像素是如何相关的度量值。取值范围：[-1,1]。灰度一致的图像，相关性为NaN。 3. "Energy" : 能量。返回GLCM中元素的平方和。取值范围：[0 1]。灰度一致的图像能量为1。 4. "Homogemeity" : 同质性。返回度量GLCM中元素的分布到对角线紧密程度。取值范围：[0 1]。对角矩阵的同质性为1。

closeallx0dx0aclearallx0dx0aclc;x0dx0aI=imread("F:图像变化检测imageTextureimage(3.27) exture5.tif");x0dx0a%I=rgb2gray(I);%%iftheinputimageisRGBform.x0dx0a%I=I(1:128,1:128);%%deriveasmallonejustfordemox0dx0aI=im2double(I);x0dx0aw=15;x0dx0aI1=wextend("2D","sym",I,(w-1)/2);%I=wextend("2D","sys",I,[w/2-1/2,w/2-1/2]);thisisusedforoddsizewindow%扫描窗口的大小15*15，为之后程序方便找中心点可以将窗口设置成4*4-32*32之间的任何奇数窗口x0dx0a%x0dx0a%s=4;%thisvariableisusedforsettingtherangeofthedistancebetweeniandj,rememberdon"tsetsatoobignum.x0dx0a%A=zeros(s,1);x0dx0a%B=(1:s)";x0dx0a%offsets1=[AB;-BB;-BA;-B-B];%%setsthedirectionsanddistancewithinthepexiliandjx0dx0a%x0dx0aoffsets1=[01];%水平单步x0dx0a%x0dx0a[m,n]=size(I1);x0dx0aI11=zeros(m,n);%定义5个矩阵用于存放由graycomatrix产生的5个参数x0dx0aI12=zeros(m,n);%这样就能够再执行完一次操作后，利用得到的各种特征参数矩阵分别去聚类分割x0dx0aI13=zeros(m,n);%这样总的耗时短，不用每次都重新执行扫描窗口和共生矩阵来产生特征参数（这个最耗费时间）x0dx0aI14=zeros(m,n);x0dx0aI15=zeros(m,n);x0dx0afori=(w+1)/2:m-(w-1)/2x0dx0aforj=(w+1)/2:n-(w-1)/2x0dx0aW=zeros();x0dx0aW=I1(i-(w-1)/2:i+(w-1)/2,j-(w-1)/2:j+(w-1)/2);x0dx0a[glcms,SI]=graycomatrix(W,"NumLevels",8,"G",[],"offset",offsets1);x0dx0astats=graycoprops(glcms,"all");x0dx0aCon=[stats.Contrast];x0dx0aH=[stats.Homogeneity];x0dx0aCor=[stats.Correlation];x0dx0aEe=[stats.Energy];x0dx0ax0dx0aeigenvalue=mean(Con);x0dx0aI11(i,j)=eigenvalue;x0dx0aI12(i,j)=mean(H);x0dx0aI13(i,j)=mean(Cor);x0dx0aI14(i,j)=mean(Ee);x0dx0aI15(i,j)=mean(En);x0dx0aendx0dx0aendx0dx0a%x0dx0aI2=I15((w+1)/2:m-(w-1)/2,(w+1)/2:n-(w-1)/2);%%得到原始图像x0dx0ama=max(I2(:));x0dx0ami=min(I2(:));x0dx0aI3=(I2-mi)/(ma-mi);%%归一化x0dx0aI3=im2double(I3);

matlab提供了现成的函数

你可以将这些图片按顺序命名，然后使用一个循环逐个读取数据，最后cat成一个三维数组。比如，你先把所有的图片使用批量重命名工具（网上有很多，如好压重命名）按顺序命名，如pic1,pic2,...,picN;并将其放在下面的目录下，currdir = "D:/imagedir/";imgdata = zeros(row,col,N);for num = 1:Nname = [currdir,"pic",num2str(num),".bmp"];imgdata(:,:,num) = imread(name); end

没见你的程序代码，不知用的啥命令，但是，若用corrcoef命令，句式[r,p]=corroef(a)时，r中的数值可能会出现负值。如：A = randn(50,3);A(:,4) = sum(A,2);[R,P] = corrcoef(A)结果是：R =1.0000 0.1135 0.0879 0.73140.1135 1.0000 -0.1451 0.50820.0879 -0.1451 1.0000 0.51990.7314 0.5082 0.5199 1.0000P =1.0000 0.4325 0.5438 0.00000.4325 1.0000 0.3146 0.00020.5438 0.3146 1.0000 0.00010.0000 0.0002 0.0001 1.0000

qq短你了

%**************************************************************************% 图像检索——纹理特征%基于共生矩阵纹理特征提取，d=1,θ=0°,45°,90°,135°共四个矩阵%所用图像灰度级均为256%参考《基于颜色空间和纹理特征的图像检索》%function : T=Texture(Image)%Image : 输入图像数据%T : 返回八维纹理特征行向量%**************************************************************************function T = Texture(path)Image = imread(path);% [M,N,O] = size(Image);M = 256;N = 256;if isrgb(Image)%判断是否是RGBGray=rgb2gray(Image);end%--------------------------------------------------------------------------%1.将各颜色分量转化为灰度%--------------------------------------------------------------------------%Gray = double(0.3*Image(:,:,1)+0.59*Image(:,:,2)+0.11*Image(:,:,3))%--------------------------------------------------------------------------%2.为了减少计算量，对原始图像灰度级压缩，将Gray量化成16级%--------------------------------------------------------------------------for i = 1:Mfor j = 1:Nfor n = 1:256/16if (n-1)*16<=Gray(i,j)&Gray(i,j)<=(n-1)*16+15Gray(i,j) = n-1;endendendend%--------------------------------------------------------------------------%3.计算四个共生矩阵P,取距离为1，角度分别为0,45,90,135%--------------------------------------------------------------------------P = zeros(16,16,4);for m = 1:16for n = 1:16for i = 1:Mfor j = 1:Nif jP(m,n,1) = P(m,n,1)+1;P(n,m,1) = P(m,n,1);endif i>1&jP(m,n,2) = P(m,n,2)+1;P(n,m,2) = P(m,n,2);endif iP(m,n,3) = P(m,n,3)+1;P(n,m,3) = P(m,n,3);endif iP(m,n,4) = P(m,n,4)+1;P(n,m,4) = P(m,n,4);endendendif m==nP(m,n,:) = P(m,n,:)*2;endendend%%---------------------------------------------------------% 对共生矩阵归一化%%---------------------------------------------------------for n = 1:4P(:,:,n) = P(:,:,n)/sum(sum(P(:,:,n)));end%--------------------------------------------------------------------------%4.对共生矩阵计算能量、熵、惯性矩、相关4个纹理参数%--------------------------------------------------------------------------H = zeros(1,4);I = H;Ux = H; Uy = H;deltaX= H; deltaY = H;C =H;for n = 1:4E(n) = sum(sum(P(:,:,n).^2)); %%能量for i = 1:16for j = 1:16if P(i,j,n)~=0H(n) = -P(i,j,n)*log(P(i,j,n))+H(n); %%熵endI(n) = (i-j)^2*P(i,j,n)+I(n); %%惯性矩Ux(n) = i*P(i,j,n)+Ux(n); %相关性中μxUy(n) = j*P(i,j,n)+Uy(n); %相关性中μyendendendfor n = 1:4for i = 1:16for j = 1:16deltaX(n) = (i-Ux(n))^2*P(i,j,n)+deltaX(n); %相关性中σxdeltaY(n) = (j-Uy(n))^2*P(i,j,n)+deltaY(n); %相关性中σyC(n) = i*j*P(i,j,n)+C(n);endendC(n) = (C(n)-Ux(n)*Uy(n))/deltaX(n)/deltaY(n); %相关性end%--------------------------------------------------------------------------%求能量、熵、惯性矩、相关的均值和标准差作为最终8维纹理特征%--------------------------------------------------------------------------T(1) = mean(E); T(2) = sqrt(cov(E));T(3) = mean(H); T(4) = sqrt(cov(H));T(5) = mean(I); T(6) = sqrt(cov(I));T(7) = mean(C); T(8) = sqrt(cov(C));

matlab本身有graycomatrix和graycoprops两个函数可用。mathworks的matlab central里面还有其他更高阶提供更多特征值的函数，搜索一下就能找到。

%**************************************************************************% 图像检索——纹理特征%基于共生矩阵纹理特征提取，d=1,θ=0°,45°,90°,135°共四个矩阵%所用图像灰度级均为256%参考《基于颜色空间和纹理特征的图像检索》%function : T=Texture(Image) %Image : 输入图像数据%T : 返回八维纹理特征行向量%**************************************************************************% function T = Texture(Image)Gray = imread("d: esult5.bmp");[M,N,O] = size(Gray);M = 128; N = 128;%--------------------------------------------------------------------------%1.将各颜色分量转化为灰度%--------------------------------------------------------------------------% Gray = double(0.3*Image(:,:,1)+0.59*Image(:,:,2)+0.11*Image(:,:,3));%--------------------------------------------------------------------------%2.为了减少计算量，对原始图像灰度级压缩，将Gray量化成16级%--------------------------------------------------------------------------for i = 1:M for j = 1:N for n = 1:256/16 if (n-1)*16<=Gray(i,j)&Gray(i,j)<=(n-1)*16+15 Gray(i,j) = n-1; end end endend%--------------------------------------------------------------------------%3.计算四个共生矩阵P,取距离为1，角度分别为0,45,90,135%--------------------------------------------------------------------------P = zeros(16,16,4);for m = 1:16 for n = 1:16 for i = 1:M for j = 1:N if j<N&Gray(i,j)==m-1&Gray(i,j+1)==n-1 P(m,n,1) = P(m,n,1)+1; P(n,m,1) = P(m,n,1); end if i>1&j<N&Gray(i,j)==m-1&Gray(i-1,j+1)==n-1 P(m,n,2) = P(m,n,2)+1; P(n,m,2) = P(m,n,2); end if i<M&Gray(i,j)==m-1&Gray(i+1,j)==n-1 P(m,n,3) = P(m,n,3)+1; P(n,m,3) = P(m,n,3); end if i<M&j<N&Gray(i,j)==m-1&Gray(i+1,j+1)==n-1 P(m,n,4) = P(m,n,4)+1; P(n,m,4) = P(m,n,4); end end end if m==n P(m,n,:) = P(m,n,:)*2; end endend%%---------------------------------------------------------% 对共生矩阵归一化%%---------------------------------------------------------for n = 1:4 P(:,:,n) = P(:,:,n)/sum(sum(P(:,:,n)));end%--------------------------------------------------------------------------%4.对共生矩阵计算能量、熵、惯性矩、相关4个纹理参数%--------------------------------------------------------------------------H = zeros(1,4);I = H;Ux = H; Uy = H;deltaX= H; deltaY = H;C =H;for n = 1:4 E(n) = sum(sum(P(:,:,n).^2)); %%能量 for i = 1:16 for j = 1:16 if P(i,j,n)~=0 H(n) = -P(i,j,n)*log(P(i,j,n))+H(n); %%熵 end I(n) = (i-j)^2*P(i,j,n)+I(n); %%惯性矩 Ux(n) = i*P(i,j,n)+Ux(n); %相关性中μx Uy(n) = j*P(i,j,n)+Uy(n); %相关性中μy end endendfor n = 1:4 for i = 1:16 for j = 1:16 deltaX(n) = (i-Ux(n))^2*P(i,j,n)+deltaX(n); %相关性中σx deltaY(n) = (j-Uy(n))^2*P(i,j,n)+deltaY(n); %相关性中σy C(n) = i*j*P(i,j,n)+C(n); end end C(n) = (C(n)-Ux(n)*Uy(n))/deltaX(n)/deltaY(n); %相关性 end%--------------------------------------------------------------------------%求能量、熵、惯性矩、相关的均值和标准差作为最终8维纹理特征%--------------------------------------------------------------------------a1 = mean(E) b1 = sqrt(cov(E))a2 = mean(H) b2 = sqrt(cov(H))a3 = mean(I) b3 = sqrt(cov(I))a4 = mean(C)b4 = sqrt(cov(C))sprintf("0,45,90,135方向上的能量依次为： %f, %f, %f, %f",E(1),E(2),E(3),E(4)) % 输出数据;sprintf("0,45,90,135方向上的熵依次为： %f, %f, %f, %f",H(1),H(2),H(3),H(4)) % 输出数据;sprintf("0,45,90,135方向上的惯性矩依次为： %f, %f, %f, %f",I(1),I(2),I(3),I(4)) % 输出数据;sprintf("0,45,90,135方向上的相关性依次为： %f, %f, %f, %f",C(1),C(2),C(3),C(4)) % 输出数据;这是我最近用过的求灰度共生矩阵及其四个参数的程序，你可以参考一下。

%卡尔曼滤波clearN=800;w(1)=0;w=randn(1,N)%系统预测的随机白噪声x(1)=0;a=1;fork=2:N;x(k)=a*x(k-1)+w(k-1);%系统的预测值endV=randn(1,N);%测量值的随机白噪声q1=std(V);Rvv=q1.^2;q2=std(x);Rxx=q2.^2;q3=std(w);Rww=q3.^2;c=0.2;Y=c*x+V;%测量值p(1)=0;s(1)=0;fort=2:N;p1(t)=a.^2*p(t-1)+Rww;%前一时刻X的相关系数b(t)=c*p1(t)/(c.^2*p1(t)+Rvv);%卡尔曼增益s(t)=a*s(t-1)+b(t)*(Y(t)-a*c*s(t-1));%经过滤波后的信号p(t)=p1(t)-c*b(t)*p1(t);%t状态下x(t|t)的相关系数endfigure(1)plot(x)title("系统的预测值")figure(2)plot(Y)title("测量值")figure(3)plot(s)title("滤波后的信号")

运行mdl文件的仿真啊

sim函数用来运行Simulink模型。需要注意的是，用户无法控制其仿真过程（例如暂停、继续），一旦运行就会直到达到结束条件为止——这一点和通过模型窗口界面运行仿真不同。调用格式：[t,x,y] = sim(model,timespan,options,ut);[t,x,y1, y2, ..., yn] = sim(model,timespan,options,ut);输入参数：model：模型的名字，用单引号括起来（注意不带扩展名.mdl）；timespan：指定仿真时间范围，可以有几种情况：标量tFinal，指定仿真结束时间。这种情况下开始时间为0；两个元素的向量[tStart tFinal]，同时指定开始时间和结束时间；向量[tStart OutputTimes tFinal]，除起止时间外，还指定输出时间点（通常输出时间t会包含更多点，这里指定的点相当于附加的点）。options：指定仿真选项，是一个结构体，该结构体通过simset创建，包括模型求解器、误差控制等都可以通过这个参数指定（不修改模型，但使用和模型对话框里设置的不同选择）。ut：指定外部输入，对应于根模型的Inport模块。除第一个输入参数外，其他参数都可以用空矩阵（[]）来表示模型的默认值。输出参数：t：仿真时间向量；x：状态矩阵，每行对应一个时刻的状态，连续状态在前，离散状态在后；y：输出矩阵，每行对应一个时刻；每列对应根模型的一个Outport 模块（如果Outport模块的输入是向量，则在y中会占用相应的列数）。y1, y2, ..., yn：把上面的y分开，每个yi对应一个Outport模块。

sim函数用来运行Simulink模型。需要注意的是，用户无法控制其仿真过程（例如暂停、继续），一旦运行就会直到达到结束条件为止——这一点和通过模型窗口界面运行仿真不同。调用格式：[t,x,y] = sim(model,timespan,options,ut);[t,x,y1, y2, ..., yn] = sim(model,timespan,options,ut);输入参数：model：模型的名字，用单引号括起来（注意不带扩展名.mdl）；timespan：指定仿真时间范围，可以有几种情况：标量tFinal，指定仿真结束时间。这种情况下开始时间为0；两个元素的向量[tStart tFinal]，同时指定开始时间和结束时间；向量[tStart OutputTimes tFinal]，除起止时间外，还指定输出时间点（通常输出时间t会包含更多点，这里指定的点相当于附加的点）。options：指定仿真选项，是一个结构体，该结构体通过simset创建，包括模型求解器、误差控制等都可以通过这个参数指定（不修改模型，但使用和模型对话框里设置的不同选择）。ut：指定外部输入，对应于根模型的Inport模块。除第一个输入参数外，其他参数都可以用空矩阵（[]）来表示模型的默认值。输出参数：t：仿真时间向量；x：状态矩阵，每行对应一个时刻的状态，连续状态在前，离散状态在后；y：输出矩阵，每行对应一个时刻；每列对应根模型的一个Outport 模块（如果Outport模块的输入是向量，则在y中会占用相应的列数）。y1, y2, ..., yn：把上面的y分开，每个yi对应一个Outport模块。

由前面的方程可知：eq1是关于a10的二元一次方程。有两个解，第一个解为零，没有意义，所以取第二个解，即a10=S(2). t3，t4即total就是所求的目标函数。连续用两个subs运算我也不明白。将x付给k是因为要用k表示捕捞强度，而这个函数是y和x的函数“function y=buyu(x)” 。求目标值y和捕捞强度k的函数，必须让x和k的意义相同。因为fminbnd只能求取最小值，将最大值问题化为最小值问题加个负号就行，即“y=subs(-total); ” 总之，第一个文件为函数文件，而第二个m函数为真正求解问题的脚本文件。fminbnd函数是求上面定义的函数目标值y在x取值为[16,18]范围内的最优值。最后就是画出目标值total随自变量捕获强度的关系，以及显示最优值时各个量的取值。