Matlab函数解析



tic  toc

tic和toc用来记录matlab命令执行的时间。

  tic用来保存当前时间，而后使用toc来记录程序完成时间。

  两者往往结合使用，用法如下：

  tic

  operations

  toc

  显示时间单位：秒

 

size()

可以用来输出矩阵的行数、列数；或者输出图像的高度和宽度

I = imread('E:\Cut1.JPG');

[X , Y]=size(I)

注意，如果是3通道的图像需要使用：

[m , n , c] = size(a)

% 图片大小 366×500的 RGB 彩色图片

% f(:,:,1)  红色分量

% f(:,:,2)  绿色分量

% f(:,:,3)  蓝色分量

double()       im2double()       mat2gray()

****************假设某图像数据A（uint8格式）**********************

A =

 235 200  89  20

>> double(A)                %返回与原矩阵数值相同但类型为double的矩阵；

ans =

   235  200 89  20

>> im2double(A)             

%返回矩阵类型：double；数值范围[0 1] ,0对应uint8中的0；1对应uint8中的255；

ans =

   0.9216   0.7843   0.3490   0.0784

>> mat2gray(A)               %对原矩阵归一化

ans =

    1.0000   0.8372  0.3209      0

*********假设矩阵A为一般二维数组，非图像数据（double格式）******************

A =

  235  200    89   20

>> double(A)

ans =

  235  200   89   20

>> im2double(A)

ans =

  235  200   89   20

>> mat2gray(A)

ans =

   1.0000   0.8372    0.3209     0

**********************小结***************************

im2double：如果输入类型是uint8、unit16、logical，则按照0-->>0，255-->>1，将其值按比例处理成0～1之间的double数值；如果输入类型是double，输出没有处理；

double：返回数值与输入相同的double类型矩阵；

mat2gray：对输入进行归一化处理，最小值-->>0;最大值-->>1，输出类型为double。

在实际的对图像处理过程中，由于我们读入图像是unit8型，而在MATLAB的矩阵运算中要求所有的运算变量为double型（双精度型）。因此通常使用im2double函数将图像数据转换成双精度型数据。

extractHOGFeatures()

I1 = imread('gantrycrane.png');

[hog1, visualization] = extractHOGFeatures(I1,'CellSize',[3232]);

subplot(1,2,1);    一行两列个子图，此时画第一个子图

imshow(I1);

subplot(1,2,2);    一行两列个子图，此时画第二个子图

plot(visualization);

其中返回值hog1为特征向量，visualization为特征的可视化图像。

imresize()

B = imresize(A, m)

返回的图像B的长宽是图像A的长宽的m倍，即缩放图像。 m大于1，则放大图像； m小于1，缩小图像。

B = imresize(A, [numrows numcols])

numrows和numcols分别指定目标图像的高度和宽度。显而易见，由于这种格式允许图像缩放后长宽比例和源图像长宽比例不相同，因此所产生的图像有可能发生畸变。

 

关于matlab的运算符的问题( .* 以及 ./ )

建议你自己试一下：

A=[1,2;3,4];

A2=A*A %没点

A3=A.*A %有点

 

B=[1,2];

B2=B*B %这个会出错

B3=B.*B %这个不会出错

 

点乘的话，是对应元素相乘。

没点的话，按照矩阵相乘法则进行，这就要求前一个矩阵的列数等于第二个矩阵的行数。好好看一下上面的AB两个例子。

 

相应的点除也是这样的.

你不加点,如果R是一个向量的话,就会变成向量除向量.加点表明是相应元素相除.

 

svmtrain和svmpredict简介

(1)model= svmtrain(train_label,train_matrix, ['libsvm_options']);

其中：

train_label表示训练集的标签。

train_matrix表示训练集的属性矩阵。

libsvm_options是需要设置的一系列参数，各个参数可参见《libsvm参数说明.txt》，里面介绍的很详细，中英文都有的。如果用回归的话，其中的-s参数值应为3。

model:是训练得到的模型，是一个结构体（如果参数中用到-v，得到的就不是结构体，对于分类问题，得到的是交叉检验下的平均分类准确率；对于回归问题，得到的是均方误差）。

 

(2)[predicted_label, accuracy/mse,decision_values]=svmpredict(test_label, test_matrix, model,['libsvm_options']);

其中：

test _label表示测试集的标签（这个值可以不知道，因为作预测的时候，本来就是想知道这个值的，这个时候，随便制定一个值就可以了，只是这个时候得到的mse就没有意义了）。

test _matrix表示测试集的属性矩阵。

model是上面训练得到的模型。

libsvm_options是需要设置的一系列参数。

predicted_label表示预测得到的标签。

accuracy/mse是一个3*1的列向量，其中第1个数字用于分类问题，表示分类准确率；后两个数字用于回归问题，第2个数字表示mse；第三个数字表示平方相关系数（也就是说，如果分类的话，看第一个数字就可以了；回归的话，看后两个数字）。

decision_values表示决策值（一般好像不怎么用）。

 

length()

问：

if length(h)>1 || h<0 || h>2*b

 return

是什么意思？

答：

length(x)表示向量x的坐标分量的个数，即向量的维数。

程序的意思是：若向量h的长度>1或h<0(每个分量<0)或h>2*b(对应的每个分量都是前者的>后者的)则返回调用程序处。

 

rem() mod()  floor()  fix() ceil()  round()

fix() floor() ceil()  round()都是用来取整的

1) fix(x) :截尾取整.

>> fix( [3.12 -3.12])

ans =

    3   -3

(2)floor(x):不超过x的最大整数.(高斯取整)

>> floor( [3.12 -3.12])

ans =

    3   -4

(3) ceil(x):大于x的最小整数

>> ceil( [3.12 -3.12])

ans =

    4   -3

(4) round(x)四舍五入取整

>> round(3.12 -3.12)

ans =

    0

>> round([3.12 -3.12])

ans =

    3   -3

MATLAB中四个取整函数具体使用方法如下：

Matlab取整函数有: fix, floor,ceil, round.

fix

朝零方向取整，如fix(-1.3)=-1; fix(1.3)=1;

floor

朝负无穷方向取整，如floor(-1.3)=-2; floor(1.3)=1;

ceil

朝正无穷方向取整，如ceil(-1.3)=-1; ceil(1.3)=2;

round

四舍五入到最近的整数，如round(-1.3)=-1;round(-1.52)=-2;round(1.3)=1;round(1.52)=2

 

rem() mod()

昨天在学习Matlab的数学函数时，教程中提到取模（mod）与取余（rem）是不同的，今天在网上具体查了一下：

 

 通常取模运算也叫取余运算，它们返回结果都是余数.rem和mod唯一的区别在于:

    当x和y的正负号一样的时候，两个函数结果是等同的；当x和y的符号不同时，rem函数结果的符号和x的一样，而mod和y一样。

   这是由于这两个函数的生成机制不同，rem函数采用fix函数，而mod函数采用了floor函数（这两个函数是用来取整的，fix函数向0方向舍入，floor函数向无穷小方向舍入）。

   rem（x，y）命令返回的是x-n.*y，如果y不等于0，其中的n = fix(x./y)，而mod(x,y)返回的是x-n.*y，当y不等于0时，n=floor(x./y)

 

 

两个异号整数取模取值规律           （当是小数时也是这个运算规律，这一点好像与C语言的不太一样）

 

 先将两个整数看作是正数，再作除法运算

①能整除时，其值为0

 ②不能整除时，其值=除数×(整商+1)-被除数

 

 例：mod(36,-10)=-4

即：36除以10的整数商为3，加1后为4；其与除数之积为40；再与被数之差为（40-36=4）；取除数的符号。所以值为-4。

 例：mod(9,1.2)=0.6

例：

>> mod(5,2)

 ans=1                  %“除数”是正，“余数”就是正

>> mod(-5,2)

 ans=1

 >> mod(5,-2)

 ans=-1                 %“除数”是负，“余数‘就是负

>> mod(-5,-2)

 ans=-1                 %用rem时，不管“除数”是正是负，“余数”的符号与“被除数”的符号相同

>> rem(5,2)

 ans=1                  %“被除数”是正，“余数”就是正

>> rem(5,-2)

 ans=1

 >> rem(-5,2)

 ans=-1                %“被除数”是负，“余数”就是负

>> rem(-5,-2)

 ans=-1

 

rand(m,n)

x=rand(m,n)产生m行n列的位于（0，1）区间的随机数

>> x=rand(1,8)

x =

   0.8147   0.9058    0.1270   0.9134   0.6324    0.0975   0.2785   0.5469

 

sort()

(1)B=sort(A)对一维或二维数组进行升序排序,并返回排序后的数组,当A为二维时,对数组每一列进行排序.（当A为一维时，原来是行向量排完还是行向量；原来是列向量排完还是列向量）

eg: A=[1,5,3],则sort(A)=[1,3,5]

  A=[1,5,3;2,4,1],则sort(A)=[1,4,1;2,5,3]

(2)B=sort(A,dim),对数组按指定方向进行升序排序,

dim =1,表示对每一列进行排序,,dim=2表示对每一行进行排序.

(3)B=sort(A,dim,mode),mode为指定排序模式,mode为"ascend"时,进行升序排序,为"descend"时,进行降序排序.

(4)[B,I]=sort(A,.....),I为返回的排序后元素在原数组中的行位置或列位置.

 

X=magic(5)

X =

17 24 1 8 15

23 5 7 14 16

4 6 13 20 22

10 12 19 21 3

11 18 25 2 9

>> [a,b]=sort(X,2)

a =

1 8 15 17 24

5 7 14 16 23

4 6 13 20 22

3 10 12 19 21

2 9 11 18 25

 

b =

3 4 5 1 2

2 3 4 5 1

1 2 3 4 5

5 1 2 3 4

4 5 1 2 3

 

结果解释：

a是原来的矩阵x按照行，每行从小到大重新排列得到的新矩阵。

b告诉你重排的详细信息，也就是做了什么样的变动。

例如b的第一行显示3 4 5 1 2，即排序后矩阵a的第一行分别对应原矩阵的3 4 5 1 2位置。

 

input()

例子1：

>> input('请输入一个矩阵：')

请输入一个矩阵：magic(3)

ans =

    8    1     6

    3    5     7

    4    9     2

 

例子2：

>> input('请输入一个字符串：','s')

请输入一个字符串：magic(3)

ans =

magic(3)

两种情况下，用户输入的同样是magic(3)这样一个字符串，但在前一种条件下，magic(3)被理解成一个表达式，所以返回一个3阶的幻方矩阵，而后一种情况下，则直接返回这个字符串。第二个例子中的那个‘s’是选项，表示把输入理解为字符串。

 

mapminmax()

Y = mapminmax(X);

[Y,PS] = mapminmax(X,YMIN,YMAX)

[Y,PS] = mapminmax(X,FP)

Y = mapminmax('apply',X,PS)

X = mapminmax('reverse',Y,PS)

 

mapminmax()将矩阵中每一行规范化到[YMIN,YMAX]范围内，默认为[-1,1]

FP是一个结构体，里面保存着YMIN,YMAX的值

映射记录保存在结构体PS中。

由于映射记录保存在PS中，所以参数‘apply’表示本次映射采取跟PS同样的映射。

而X = mapminmax('reverse',Y,PS)的作用就是进行反归一化,将归一化的数据反归一化再得到原来的数据。

 

Eg：

fs.ymin = 0;  %注意，这个结构体的成员名称必须是ymin和ymax

fs.ymax = 1;

x1 = [1 2 4; 3 2 2; 0 0 0;4 4 4];

[y1,ps] = mapminmax(x1,0,1);

[y2,ps2] = mapminmax(x1,fs);

[y3,ps3] = mapminmax(x1,ps); %注意，若不写参数，则默认为‘apply’，即ps与fs效果相同

[y4,ps4] = mapminmax('apply',x1,ps);

x = mapminmax('reverse',y4,ps);

输出结果：

y1 =

        0   0.3333    1.0000

   1.0000        0         0

        0        0         0

   4.0000   4.0000    4.0000

y2 =

        0   0.3333    1.0000

   1.0000        0         0

        0        0         0

   4.0000   4.0000    4.0000

y3 =

        0   0.3333    1.0000

   1.0000        0         0

        0        0         0

   4.0000   4.0000    4.0000

y4 =

        0   0.3333    1.0000

   1.0000        0         0

        0        0         0

   4.0000   4.0000    4.0000

x =

    1    2     4

    3    2     2

    0    0     0

    4    4     4

神经网络

feedforwardnet ()

feedforwardnet ( hiddenSizes , trainFcn )（matlab2012后较新的版本），在老版本的matlab，这个函数是newff。这个函数就是创建一个上述的(前馈)网络，包括两个参数，第一个hiddenSizes隐藏层的大小（实际就是节点数的多少，默认10），trainFcn是网络训练所采取的方法，这个方法包括：梯度下降算法、动量梯度下降算法、变学习率梯度下降算法等等数10种方法，各种方法各有优缺点，而有代表性的方法是有代表性的五种算法为:’traingdx’,’trainrp’,’trainscg’,’trainoss’,’trainlm’，默认的是’trainlm’。其实不需要了解的太详细，一般的数据默认的方法就非常的好了，所以这个参数可以不用管。

建立隐藏层为10个节点，采用默认训练算法的神经网络：

        net= feedforwardnet(10);

 

train()

训练神经网络：

        net= train(net, traindata, trainlabel);

神经网络train(net, P, T)函数要求P,T都是一列为一个样本，即，P为r*q矩阵，T为u*q矩阵

即，P , T的形式化描述为：

训练过程中弹出的窗体解释：

http://blog.csdn.net/q1302182594/article/details/8790613

sim()

an = sim(net,testdata);

net为训练好的网络，testdata是测试数据，an直接输出预测结果。