关于matlab的基础知识

由于基础比较薄弱,所以要从头学起。

matlab的常用命令。

数组索引:
v=[1 3 5 7 9]
则v(2)=3;v(1:3)=1 3 5;v(3:end)=5 7 9;v(1:2:end)=1 5 9;v([1 4 5])=1 7 9;
x=linspace(a,b,n)产生一个有n个元素的行向量x,n均分区间[a,b]。

矩阵索引:
A=[1 2 3;4 5 6;7 8 9]
则A(2,3)=6;A(:,3)=第三列元素;A(2,:)产生第二行元素;A(1:2,1:3)提取矩阵的前两行三列。A(end,end)=9;A([1 3],[2 3])=[2 3;8 9];
B(:,3)=0,将第三列全部变化为0.
A(:)将矩阵所有元素排成一列,这在求和很有用,例如sum(A(:))就是对矩阵求和。

图像垂直翻转:B=A(end:-1:1,:);
截取图像的一部分:B=A(128:327,213:321);
图像的二次取样(图像缩小):B=A(1:2:end;1:3:end);
选取图像中间水平扫描线:plot(A(512,:));
给出矩阵的行数:m=size(A,1);给出矩阵的列数n=size(A,2)。例如
选取图像中间垂直扫描线plot(A(size(A,1)/2,:));

一些重要的标准数组:
生成m*n的double型0矩阵:zeros(m,n);
生成m*n的double型1矩阵:ones(m,n);
生成m*n的logical型1/0矩阵:true/false(m,n);
生成m*m的魔方型矩阵:magic(m),其行和列和主对角元素和均相等,元素为整数。
生成m*n的随机矩阵:rand(m,n);元素在[0,1]之间。
生成元素正态分布的m*n矩阵:randn(m,n);元素正态分布,均值为0,方差为1.

时间: 2024-11-10 01:04:33

关于matlab的基础知识的相关文章

MATLAB编程--基础知识

:matlab,数据类型(数值,字符串),选择结构,循环接口,函数,字符串函数和矩阵,文件操作 clc clf clear abort ! diary filename->diary on->diary off which filename editpath a=[0 1+7] b=[a(2) 7 a] 定义了数组a=[0 8]和数组b=[8 7 0 8]. d = [1 2] d(4) = 4 d的值为[1 2 0 4] first:incr:last Angles = (.01:.01:1

matlab pca基础知识

PCA的一些基本资料 最近因为最人脸表情识别,提取的gabor特征太多了,所以需要用PCA进行对提取的特征进行降维. 本来最早的时候我没有打算对提取的gabor特征进行降维,但是如果一个图像时64*64,那么使用五个尺度八个方向的gabor滤波器进行滤波,这样提取的特征足足有64*64*5*8这么多,如果图像稍微大一点,比如128*128的图像,那么直接提取的特征就会几十万,所以不降维的话直接用SVM训练分类器是非常困难的. 所以在这段时间我就学习了一下PCA降维的基本原理和使用方法,网上给出的

matlab图像基础知识

1.MATLAB支持的几种图像文件格式: ⑴JPEG(Joint Photogyaphic Expeyts Group):一种称为联合图像专家组的图像压缩格式. ⑵BMP(Windows Bitmap):有1位.4位.8位.24位非压缩图像,8位RLE(Run length Encoded)的图像.文件内容包括文件头(一个BITMAP FILEHEADER数据结构).位图信息数据块(位图信息头BITMAP INFOHEADER和一个颜色表)和图像数据. ⑶PCX(Windows Paintbru

【Python数据挖掘课程】六.Numpy、Pandas和Matplotlib包基础知识

前面几篇文章采用的案例的方法进行介绍的,这篇文章主要介绍Python常用的扩展包,同时结合数据挖掘相关知识介绍该包具体的用法,主要介绍Numpy.Pandas和Matplotlib三个包.目录:        一.Python常用扩展包        二.Numpy科学计算包        三.Pandas数据分析包        四.Matplotlib绘图包 前文推荐:       [Python数据挖掘课程]一.安装Python及爬虫入门介绍       [Python数据挖掘课程]二.K

Deep learning:一(基础知识_1)

前言: 最近打算稍微系统的学习下deep learing的一些理论知识,打算采用Andrew Ng的网页教程UFLDL Tutorial,据说这个教程写得浅显易懂,也不太长.不过在这这之前还是复习下machine learning的基础知识,见网页:http://openclassroom.stanford.edu/MainFolder/CoursePage.php?course=DeepLearning.内容其实很短,每小节就那么几分钟,且讲得非常棒. 教程中的一些术语: Model repr

转载 Deep learning:一(基础知识_1)

前言: 最近打算稍微系统的学习下deep learing的一些理论知识,打算采用Andrew Ng的网页教程UFLDL Tutorial,据说这个教程写得浅显易懂,也不太长.不过在这这之前还是复习下machine learning的基础知识,见网页:http://openclassroom.stanford.edu/MainFolder/CoursePage.php?course=DeepLearning.内容其实很短,每小节就那么几分钟,且讲得非常棒. 教程中的一些术语: Model repr

MySQL数据库基础知识

day02 MySQL数据库基础知识 一.基础知识概述: 基础决定你这门课程的学习成败!只有学习好这些基础知识以后,你才能真正的运用自如.才能够对数据库有更深入的了解,道路才会越走越远. 二.基础知识: 1.数据库(database):数据库就好比是一个物理的文档柜,一个容器,把我们整理好的数据表等等归纳起来. 创建数据库命令:        create database 数据库名; 2.查看数据库         show databases; 3.打开指定的数据库         use 

linux入门基础知识及简单命令介绍

linux入门基础知识介绍 1.计算机硬件组成介绍 计算机主要由cpu(运算器.控制器),内存,I/O,外部存储等构成. cpu主要是用来对二进制数据进行运算操作,它从内存中取出数据,然后进行相应的运算操作.不能从硬盘中直接取数据. 内存从外部存储中取出数据供cpu运存.内存的最小单位是字节(byte) 备注:由于32的cpu逻辑寻址能力最大为32内存单元.因此32位cpu可以访问的最大内存空间为:4GB,算法如下: 2^32=2^10*2^10*2^10*2^2 =1024*1024*1024

BroadcastReceive基础知识总结

BroadcastReceive基础知识总结 1.BroadcastReceive简介 BroadcastReceive也就是"广播接收者"的意思,顾名思义,就是用来接收来自系统和应用中的广播 在Android系统中,广播体现在方方面面,例如当开机完成后系统会产生一条广播,接收到这条广播就能实现开机启动服务的功能,当网络状态改变时,系统会产生一条广播,接收到这条广播,就能及时的做出提示和保存数据等操作,当电池的电量改变的时候,系统会产生一条广播,接收到这条广播就能在电量低的时候告知用户