Matlab 并行计算工具箱的使用
Matlab并行工具箱的产生一方面给大规模的数据分析带来了巨大的效益，另一方面且引入了分布式计算，借助matlab自身携带的MDCE，可以实现单机多核并行运行或者是同一个局域网络中的多台处理器组成的机群的并行运行。
个人以为后者是前者的拓展，并行计算的最初目的是为了解决串行计算速度不能满足某些复杂运算而产生的技术，能够借助较低配置的处理，协同工作处理同一个程序，但是他们之间是并不会交互的，仅仅是有核心主机—client进行大任务的分解，而后将它们分配给各个处理器，由处理器共同完成。所以说并行计算的实质还是主从结构的分布式计算。这里体现了数量的优势，同一个程序串行运行可能需要40个小时，但是若是由10台处理器同时跑，则有望将计算时间降低到接近4个小时的水平。而且这十台处理器可以是一个多个多核CPU组成，例如一个8核心CPU和1个2核心CPU。也可以是由5个2核心CPU组成，形式灵活。
而分布式计算在并行计算的基础上有功能上的扩展，一个很重要的方面就体现在，上述的十个处理器之间可以进行交互式通讯这是基于MPI(message passing interface)实现的，这对于大规模的分布式控制系统是很有需要的，也就是说，各个处理器之间要实现数据的实时传递，有时是共享某些信息，有时是lab1需要lab2的某些信息。相对于单纯的并行计算来说，后者将交互式通讯扩展到了labs之间，而不仅仅是lab和client之间。
Matlab 并行计算工具箱中的函数有：
1.Parfor (FOR循环的并行计算)；
函数1：matlabpool
其作用是开启matlab并行计算池，单独的命令会以默认的配置开启并行计算环境。
函数2：parfor
For循环的并行计算替代关键词，需要注意的是，parfor不能像for一样嵌套。
但是外部的parfor内部可以嵌套for循环。
函数3：batch 用于在worker上运行matlab脚本或者是matlab函数。
例如：batch(‘script.m’) 语句会根据默认并行配置文件定义的集群将script脚本文件运行在worker上。
2.批处理
函数1：batch，其语法有：
j = batch('aScript')
j = batch(myCluster,'aScript')
j = batch(fcn,N,{x1, ..., xn})
j = batch(myCluster,fcn,N,{x1,...,xn})
j = batch(...,'p1',v1,'p2',v2,...)
其中的变量：
J The batch job object.
'aScript'The script of MATLAB code to be evaluated by the MATLAB pool job.
myClusterCluster object representing cluster compute resources.
fcnFunction handle or string of function name to be evaluated by the MATLAB pool job.
N The number of output arguments from the evaluated function. {x1, ..., xn}Cell array of input arguments to the function.
p1, p2Object properties or other arguments to control job behavior.
v1, v2Initial values for corresponding object properties or arguments.
3.利用GPU计算（这一部分暂时略过）
4.分布式数组和SPMD
函数1：distributed
分布式数组利用matlab计算池中所有worker的内存来存储数组。如此以来，就可以创建或者是操作对于一个机器无法存储的大型数组。
函数2：gather 回收所有的分布式数组数据到当前工作空间。
例如：x = gather(D);
函数3：spmd (Single Program Multiple Data)
其使用方式一般情况下为：spmd
计算。
函数4：composite创建一个复合对象。对于在workers上运行spmd
句运行时，会自动生成复合构造函数，也可以利用composite函数自行创建一个。
例如对于，复合构造变量C：
C{1} 表示变量C在worker 1上的值；
C{2} 表示变量C在worker 2上的值；
函数5：codistributed 用复制方式创建一个codistributed 数组。
一个codistributed数组被分割为多个片段分别分布在不同lab的工作空间中。
这种情况适用于每一个lab都要用到某一个大型数组的一个部分，这样提供了lab
在访问这些数据的便利。一个codistributed数组和一个distributed数组之间差别很
小，体现在其视角的不同。前者用于在一个lab上存取一个数组而后者则支持在
client上存取一个数组。其语法：
C = codistributed(X) distributes a replicated X using the default codistributor. X must
be a replicated array, that is, it must have the same value on all workers. Size(C) is the
same as size(X).
C = codistributed(X, codist) distributes a replicated X using the codistributor codist.
For information on constructing codistributor objects, see the reference pages for
codistributor1d and codistributor2dbc.
C = codistributed(X, codist, lab) distributes a local array X that resides on the worker
identified by lab, using the codistributor codist. Local array X must be defined on all
workers, but only the value from lab is used to construct C. size(C) is the same as size(X).
C = codistributed(C1, codist) where the input array C1 is already a codistributed
array, redistributes the array C1 according to the distribution scheme defined by
codistributor codist. This is the same as calling C = redistribute(C1, codist). If the
specified distribution scheme is that same as that already in effect, then the result is the same as the input.
函数6：redistribute 将一个codistributed数组从新按照其他分配规则进行重新分布。语法：redistribute(D1,CODISTR)，将分布式数组D1按照CODISTR重新分配在labs中的分布方式。
函数7：getLocalPart 获取一个分布式数组的本地部分，语法：L = getLocalPart(D)返回分布式数组D的本地部分，其格式取决于D的具体分配方案。
函数8：globalIndices 根据分布式数组在各个lab中的分配方案获取本地部分的全局索引。(如何使用还不清晰)
5.集群配置文件和计算规模
函数1：parcluster 根据集群配置文件建立一个集群。其语法：
C = parcluster;返回一个集群对象。该对象是由默认的集群配置文件确定；
C = parcluster(profile);返回一个集群对象，该对象是由profile确定。
函数2：parallel.defaultClusterProfile
该函数获取或者设置默认的并行计算集群配置文件。语法：
p = parallel.defaultClusterProfile，返回当前默认集群配置文件名
oldprofile = parallel.defaultClusterPro) 设置newprofile为默认配置文件，返回旧的配置文件名。可以通过saveProfile或者saveAsProfile来修改一个集群对象。
函数3：parallel.importProfile 导入集群配置文件。语法：
pro = parallel.importPro).导入由确定的配置文件，而后返回导入的配置文件名。
配置文件名后缀是.mat。需要注意的是，凡是导入的配置文件，在以后的matlab操作中都是有效的，不必重复导入。
函数4：pctconfig 配置一个并行计算工具箱会话。语法有：
Pctconfig(‘p1’,’v1’,…):设置client端的配置属性P1的值为V1；
Config = pctconfig(‘p1’,’v1’,…):返回一个结构体赋给config,结构体的字段名对应属性名称，字段值则对应属性值。
Config = pctconfig();没有任何输入，以结构体形式返回当前所有属性以及属性值。
6.详细的作业和任务控制
a)作业和任务的建立
函数1：createJob 在集群上建立作业，其语法：
obj = createJob(cluster),为确定的cluster建立独立作业，作业所需要的数据存放在本地，由cluster的JobStorageLocation属性确定。
obj = createJob(...,'p1',v1,'p2',v2,...) 建立有具体属性值的作业对象。
job = createJob(...,'Profile','pro',...)建立由profile确定具体属性的作业对象。
函数2：createCommunicatingJob建立一个新的通讯作业，其语法：
Job = createCommunicatingJob(cluster) 为特定的cluster建立一个通讯对象；
Job = createCommunicatingJob(…,’p1,’v1,’p2’,…) 具体的属性值建立作业对象；
Job = createCommunicatingJob(…,’type’,’SPMD’,…)建立一个’‘pool’类型的通讯
作业，该作业可以利用matlab池的资源完成具体的作业。
Job = createCommunicatingJob(…,’Type’,’SPMD’,…)建立一个‘spmd’类型的同学作业，具体的任务函数是同时在各个worker上同时运行的。
Job = createCommunicatingJob(…,’Profile’,’pro’,…)建立一个通讯作业，其各个属性是通过profile文件确定的。
函数3：createTask 在已有个作业job中建立一个任务，其语法为：
T = createTask(j,F,N,{X1,X2,…XN})在作业j中建立一个新的任务对象，返回一个引用t。任务的目的是计算由F确定的函数值，输入参数中括号表示，输出参数个数为N。
T = createTask(j,F,N,{C1,C2,C3…Cm})使用一个单元数组在作业j中建立m个任务对象，并返回一个引用向量T。
T = createTask(…,’p1’,v1,’p2’,v2,…) 使用给定的属性值建立一个任务对象。
T = createTask(…,’profile’,’pro’,…) 使用给定的属性值建立一个任务对象。给定的属性卸载profile中。
函数4：poolStartup 在MATLABpool启动后确定各个worker上的初试动作
这个函数是每次在worker开始matlabpool中的一部分任务时就自动运行的，不需要在任务函数中具体化，或者是在client端去调用。具体的做法是：将matlab 代码加到poolStartup.m文件中以定义worker的初试状态信息。Worker开始工作时，首先会按照下述顺序该文件：
Included in the job's AttachedFiles property.
In a folder included in the job's AdditionalPaths property.
In the worker's MATLAB installation at the location
matlabroot/toolbox/distcomp/user/poolStartup.m
第一个找到的将会被执行。
函数5：jobStartup 确定每个worker的具体作业启动动作。语法为：JobStartup(job) 其中，job所指的作业即是本次启动开始的那个作业。
该函数也是自动运行的，和poolStartup类似，不需要在任务函数中具体化，或者是在client端去调用。具体做法和函数4几乎一样，只是将poolStartup.m文件更换为：jobStartup.m文件。
函数6：taskStartup 确定每个worker的任务启动动作。语法为：
taskStartup(task) 其中，task指的是对应worker要完成的当前作业的任务。其余的操作与函数4-5基本一样，不在赘述。区别只是将jobStartup.m文件更换为taskStartup.m文件。
函数7：taskFinish 确定每个worker任务终结时的行为，语法为：
TaskFinish(task), 其中的task指的也是对应worker即将要完成的当前作业的任务。其余的与上述几个类似，不再赘述。区别仅是将taskStartup.m文件更换为taskFinish.m文件。
函数8：mpiLibConf 返回一个MPI实现的位置。其语法为：[primaryLib,extras] = mpiLibConf,语句可以返回即将被并行作业使用的MPI库。其
中，primaryLib是一个包含MPI入口节点信息的共享的库文件。而extras是一个单元数组，包含MPI需要的其他的库的名字。
函数9：mpiSetting 设置MPI通讯选项，其语法为：
mpiSettings('DeadlockDetection','on')，在调用labSend和labReceive时开启死锁检查。在并行作业中默认是‘off’,但是在pmode模式和spmd语句中时默认’on’的。
mpiSettings('MessageLogging','on') 打开MPI消息记录。默认是关闭状态，默认的记录位置是matlab命令窗口。
mpiSettings('MessageLoggingDestination','CommandWindow')将MPI消息发送到matlab命令窗口中，如果并行作业的任务设置为扑捉命令窗口输出，则MPI消息记录信息将会出现在任务的CommandWindowsOutput 属性中。
mpiSettings('MessageLoggingDestination','stdout') 将MPI记录信息发送到matlab标准输出文件。如果使用了job manager，则该文件就是MDCE日志文件，而如果你使用mpiexec cluster, 则该文件就是mpiexec debug 日志，我们可以用函数getDebugLog.查看。
mpiSettings('MessageLoggingDestination','File','') 将MPI记录消息发送到指定路径的文件。
函数10：pctRunOnAll 在matlabpool中所有成员上运行一个命令。语法为：pctRunOnAll command,命令command将会在client以及所有worker上同时运行，并且将可能出现的任何输出都反馈到client命令窗口中来。但是command命令应该是没有返回变量的
b)作业提交和结果的获取
函数1：submit，提交作业到worker的序列中排队。语法为：
Submit(job). 将作业对象job在集群中排队，该项作业所使用的cluster在job 对象被创建时就被确定了。
函数2：wait，将当前作业暂停直到timer停止计时。其语法为：
Wait(job)。
函数3：fetchOutputs，将作业中所有的输出变量取回本地。语法为：
Data = fetchOutput(job),如果job中包含多个任务，则data是一个单元数组，其行数对应任务个数，列数对应相应任务中的变量数，取最大值，对于变量个数少于最大值的任务，多出的位置是空。调用fetchOutput并不会删除本地数据，而是复制一份，而delete可以删除。此外，调用fetchOutput成功的前提是当前作业的状态是已经完成，finished。
函数4：diary, 保存命令窗口文本到文件。其语法为：
Diary创建一个以diary为名字的ASCII文件，用于保存当前命令窗口中的键盘输出以及窗口结果输出文本。
Diary(‘’) 与上述diary区别是文件名更改为：。
Diary off/on 控制diary是否工作。
函数5：load，将mat文件加载在工作空间。其语法为：
S= load() 将中的变量导入到结构体数组中，或者是ASCII文件导入到双精度的数组。
S = load(, variables)导入特定的变量；
S = load(,'-mat', variables) 强制导入文件，而且将文件当作mat文件，无视其原本的扩展名。
S = load(,'-ascii') 强制导入文件，而且将文件当作ASCII文件，无视其原本的扩展名。
load(, ___) （没看懂）
load ___
c)队列管理和作业信息
函数1：pause，暂时中断作业执行，等待用户相应。其语法为：
Pause 暂停当前程序执行等待用户按下任意键。
pause(n) 暂停当前程序n秒。
pause on/off 开启pause功能或者关闭它。
pause query 检查当前matlab设置中是否允许暂停。
state = pause('query') 返回当前pause状态。以字符数组形式‘on’/’off’。
oldstate = pause(newstate) newstate = on/off ,返回状态更改前的状态。
函数2：resume，重新开始作业调度程序中程序处理队列。其语法：resume(mjs), mjs指被重新开始的matlab作业调度对象。如果MJS没
有被暂停，这个语句不会有任何动作。
函数3：cancel，取消作业，不论作业目前处于什么状态。其语法为：
Cancel(J), 取消作业J，而且其状态属性被更改为已完成。自然地，作业中所有任务都被取消，但是已经计算出的变量会被保存，并且可以存取。
Cancel(J,’MESSAGE’),取消作业，并附加用户定义的消息，该消息会被添加到默认的取消消息中。
函数4：删除当前作业或者是任务。其语法为：
Delete(obj),从当前会话中删除obj，并且将它从簇的JobSTorageLocation中删除。
函数5：promote，将作业在队列中的位置提前。其语法为：
Promote(c,job). 其中，c指的是MJS簇，包含的作业对象为job。也就是说如果job不在队列的第一位置时，会和它的前一个job进行位置调换。
函数6：demote，与函数5对应。
函数7：getDebugLog,获取通讯作业的输出消息或者是独立的任务的讯息。其语法为：str = getDebugLog(mycluster,jobOrtask)。
函数8：getJobClusterData,获取簇上的作业对应的详细的用户数据。语法为：userdata = getJobClusterData(cluser,job);
函数9:setJobClusterData(cluster,job,userdata);，与函数8是配合使用的。用来设置用于特定簇上的作业所需要的数据。
d)任务控制和worker之间的通讯
函数1：labindex,返回当前lab的ID。语法为：
id = labindex，这个ID仅在某项作业执行过程中有效。
函数2：numlabs ，返回所有并行参与的lab的个数。其语法：
N = numlabs,这个数也决定了labSend或者是labReceive可用最大值。
函数3：gcat，全局连接。（么有懂。。。。）其语法：
Xs = gcat(X) 从每个worker上从第二维度连接变量数组X，并将结果在所有的worker上复制。
Xs = gcat(X, dim) 从每个worker上从dim维度连接变量数组X，并将结果在所有的worker上复制。
Xs = gcat(X, dim, targetlab)，将结果仅仅放置到targetlab指定的lab中的res，所有的worker的res默认都是[]。
函数4：gop，全局操作。其语法：
Res = gop(@F,x) ,通过函数句柄F将每个lab中的x变量进行操作，结果在每个worker上复制。例如，lab1和lab2中都有x变量。但是前者x =3,后者x = 4, 如果函数是min时，则会将lab1/lab2中的x值都改变为x = 3；。
Res = gop(@F,x,targetlab),操作过程与上述语法相同，区别是最后将结果仅放置在targetlab确定的lab中，不是所有lab都替换。而没有替换成结果的量都是[]。
函数5：gplus，全局加法。语法为：
S = gplus(X)，将所有lab中x相加，并将结果复制到所有woeker中。
S = gplus(X, targetlab) 将所有lab中x相加，并将结果复制到targetlab中。同样地，所有的其他worker的res位置为[].
函数6：pload，将file加载到并行会话中。其语法：
Pload(), 从文件名为[ num2str(labindex)]的文件中加载数据到当前运行并行会
话的worker中。而改文件必须是psave创建的。文件个数与labs个数必须相等。所有文件必须存放在共享文件系统。
函数7：psave，在并行会话中存放数据。其语法为：
Psave() 将worker中工作空间的数据存放近文件：[(labindex)]中，该文件可以被pload加载。
函数8：labBarrier, 用于同步同一个作业中的各个lab的。其语法：
labBarrier,只有所有的lab执行到该语句处时，并行程序才会继续执行下去。这个语句在数据文件共享的时候会发挥很好的作用，避免部分lab读取的数据不完整。
函数9：labBroadcast 向所有的lab广播数据。其语法：
Out_data = labBroadcast(root,in_data); 将in_data数据发送到所有正在执行的lab处。
Out_data = labBroadcast(root), 接收来自root的lab的数据，当然只有对index~=root的才有效。
函数10：labProbe，测试看消息是否准备好可以被接收。其语法为：
Is_data_available = labProbe, 返回一个逻辑值指明是否有数据准备好被接受。
is_data_available = labProbe(source) 将测试的消息来源确定为source。
is_data_available = labProbe('any',tag) 将测试的消息来源确定为标签tag所指定的任意worker。
is_data_available = labProbe(source,tag) 将测试的消息来源确定为source+tag确定的worker。
[is_data_available, source, tag] = labProbe 返回准备好的消息源的labindex和tag。如果没有满足要求的，则source和tag都会是[].
函数11：labReceive,通其他lab接收数据。其语法为：
data = labReceive, 从任何的lab接收数据
data = labReceive(source) 从确定的lab处接收数据。
data = labReceive('any',tag) 从确定的带有标签tag的lab处接收数据。
data = labReceive(source,tag) 从带有标签tag的确定lab出接收数据。
[data, source, tag] = labReceive 返回发送数据的source和对应的tag。
函数12：labSend,向其他的lab发送数据。其语法为：
labSend(data, destination) 向特定目的lab发送data，目的lab带有标签0.
labSend(data, destination, tag) 想带有标签tag的特定lab发送数据，其中，data 必须是matlab支持的数据类型。而destination必须是介于1和numlabs之间的整数或者是整数向量。但是发送对象不能是本机。标签tag可以是0~32767之间的任意整数。
函数13：labSendReceive 同时发送和接收数据。其语法为：
received = labSendReceive(labTo, labFrom, data) 将数据发送到labindex为labTo 的worker。并接收来自labindex为labFrom的worker的数据。
received = labSendReceive(labTo, labFrom, data, tag) 使用特殊的标签tag来进行通讯。
函数14：getCurrentJob,获取当前任务归属的作业。其语法为：
Job = getCurrentJob 返回包含当前任务的作业的索引。如果当前执行任务不在一个worker中，返回的回事一个空数组。
函数15：getCurrentCluster, 获取提交了当前任务的簇对象。其语法为：
C = getCurrentCluster 返回已经提交任务的簇对象，c的类型是任务的当前作业。如果当前任务不在worker中执行，返回的是空数组。
函数16：getCurrentTask,获取当前正在worker中被执行的任务。其语法为：Task = getCurrentTask ,如果档期任务不是在一个worker中执行，返回空数组结果。
函数17:getCurrentWorker,返回正在运行会话的当前worker对象，也就是调用了getCurrentWorker的worker。其语法为：
Worker = getCurrentWorker, 如果函数不是在worker中运行，返回空结果。
函数18：getAttached 获取附带件写入的文件路径名称。其语法为：
Folder = getAttached,返回的是一个字符串，表明attachedfiles写入的文件存放的路径。如果不是在worker上调用，返回的是空结果。
e)交互式并行开发
函数1:pmode 开启交互式并行命令窗口。其语法为：
pmode start
pmode start numworkers
pmode start prof numworkers
pmode quitp mode exit
pmode client2lab clientvar workers workervar
pmode lab2client workervar worker clientvar
pmode cleanup prof
Matlab优化工具箱函数简介 一维搜索问题fminbnd 无约束极小值fminunc, fminsearch 约束极小值fmincon 线性规划linprog 二次规划quadprog 1．一维搜索问题 优化工具箱函数fminbnd 对应问题：min f(x) x1
一、MATLAB常用的基本数学函数 abs(x)：纯量的绝对值或向量的长度 angle(z)：复数z的相角(Phase angle) sqrt(x)：开平方 real(z)：复数z的实部 imag(z)：复数z的虚部 conj(z)：复数z的共轭复数 round(x)：四舍五入至最近整数 fix(x)：无论正负，舍去小数至最近整数 floor(x)：地板函数，即舍去正小数至最近整数ceil(x)：天花板函数，即加入正小数至最近整数rat(x)：将实数x化为分数表示 rats(x)：将实数x化为多项分数展开 sign(x)：符号函数(Signum function)。 当x<0时，sign(x)=-1； 当x=0时，sign(x)=0; 当x>0时，sign(x)=1。 rem(x,y)：求x除以y的馀数 gcd(x,y)：整数x和y的最大公因数 lcm(x,y)：整数x和y的最小公倍数 exp(x)：自然指数 pow2(x)：2的指数 log(x)：以e为底的对数，即自然对数或 log2(x)：以2为底的对数 log10(x)：以10为底的对数 二、MATLAB常用的三角函数 sin(x)：正弦函数 cos(x)：余弦函数
tan(x)：正切函数 asin(x)：反正弦函数 acos(x)：反馀弦函数 atan(x)：反正切函数 atan2(x,y)：四象限的反正切函数 sinh(x)：超越正弦函数 cosh(x)：超越馀弦函数 tanh(x)：超越正切函数 asinh(x)：反超越正弦函数 acosh(x)：反超越馀弦函数 atanh(x)：反超越正切函数 三、适用於向量的常用函数有： min(x): 向量x的元素的最小值 max(x): 向量x的元素的最大值 mean(x): 向量x的元素的平均值 median(x): 向量x的元素的中位数 std(x): 向量x的元素的标准差 diff(x): 向量x的相邻元素的差 sort(x): 对向量x的元素进行排序（Sorting）length(x): 向量x的元素个数 norm(x): 向量x的欧氏（Euclidean）长度sum(x): 向量x的元素总和 prod(x): 向量x的元素总乘积 cumsum(x): 向量x的累计元素总和cumprod(x): 向量x的累计元素总乘积 dot(x, y): 向量x和y的内积 cross(x, y): 向量x和y的外积 四、MATLAB的永久常数
matlab拟合工具箱使用 2011-06-17 12:53 1.打开CFTOOL工具箱。在Matlab 6.5以上的环境下，在左下方有一个"Start"按钮，如同Windows的开始菜单，点开它，在目录"Toolboxes"下有一个"Curve Fitting"，点开"Curve Fitting Tool"，出现数据拟合工具界面，基本上所有的数据拟合和回归分析都可以在这里进行。也可以在命令窗口中直接输入”cftool”，打开工具箱。 2.输入两组向量x，y。 首先在Matlab的命令行输入两个向量，一个向量是你要的x坐标的各个数据，另外一个是你要的y坐标的各个数据。输入以后假定叫x向量和y向量，可以在workspace里面看见这两个向量，要确保这两个向量的元素数一致，如果不一致的话是不能在工具箱里面进行拟合的。 例如在命令行里输入下列数据: x = [196,186, 137, 136, 122, 122, 71, 71, 70, 33]; y=[0.012605,0.013115,0.016866,0.014741,0.022353,0.019278,0.041803,0.0 38026,0.038128,0.088196]; 3.数据的选取。打开曲线拟合共工具界面，点击最左边的"Data..."按钮，出现一个Data对话框，在Data Sets页面里，在X Data选项中选取x向量，Y Data 选项中选取y向量，如果两个向量的元素数相同，那么Create data set按钮就激活了，此时点击它，生成一个数据组，显示在下方Data Sets列表框中。关闭Data对话框。此时Curve Fitting Tool窗口中显示出这一数据组的散点分布图。
MATLAB包括拥有数百个内部函数的主包和三十几种工具包。工具包又可以分为功能性工具包和学科工具包。功能工具包用来扩充MATLAB的符号计算，可视化建模仿真，文字处理及实时控制等功能。学科工具包是专业性比较强的工具包，控制工具包，信号处理工具包，通信工具包等都属于此类。 开放性使MATLAB广受用户欢迎。除内部函数外，所有MATLAB主包文件和各种工具包都是可读可修改的文件，用户通过对源程序的修改或加入自己编写程序构造新的专用工具包。 Matlab Main Toolbox——matlab主工具箱 Control System Toolbox——控制系统工具箱 Communication Toolbox——通讯工具箱 Financial Toolbox——财政金融工具箱 System Identification Toolbox——系统辨识工具箱 Fuzzy Logic Toolbox——模糊逻辑工具箱 Higher-Order Spectral Analysis Toolbox——高阶谱分析工具箱 Image Processing Toolbox——图象处理工具箱 LMI Control Toolbox——线性矩阵不等式工具箱 Model predictive Control Toolbox——模型预测控制工具箱 μ-Analysis and Synthesis Toolbox——μ分析工具箱 Neural Network Toolbox——神经网络工具箱 Optimization Toolbox——优化工具箱 Partial Differential Toolbox——偏微分方程工具箱 Robust Control Toolbox——鲁棒控制工具箱 Signal Processing Toolbox——信号处理工具箱 Spline Toolbox——样条工具箱 Statistics Toolbox——统计工具箱 Symbolic Math Toolbox——符号数学工具箱 Simulink Toolbox——动态仿真工具箱 Wavele Toolbox——小波工具箱
CRC16并行计算的Matlab推导 本文使用的CRC16的生成多项式为： 其对应的串行编码图如下图所示。 假设输入数据的位宽为8比特，即{I7,I6,I5,I4,I3,I2,I1,I0}，I为Input的首字母。I0表示最低比特位，I7表示最高比特位。 在串行模式下，I0先输入CRC16计算模块，于是I0输入后各个寄存器的状态变化如下： = = = = = = = = = = =
= = = = = 可以将以上表达式组成矩阵乘法的形式，则有： '0D T D S I =?+? （1） 其中，D 为0D ~15D 构成的列向量，用转置矩阵的形式表示为： () 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15T D D D D D D D D D D D D D D D D D =同理，'D 是'0D ~'15D 构成的列向量，用转置矩阵的形式表示为： () '' ' ' ' ' ' ' ' ' ' ' ' ' ' ' '0123456789101112131415T D D D D D D D D D D D D D D D D D = 表达式（1）中的矩阵T ，表示为： 00000000000000110000000000000000100000000000001001000000000000000010000000000000000100000000000000001000000000000000010000000000000000100000000000000001000000000000000010000000000000000100000000000T =0000010000000000000000100000000000000001000000000000000011?? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?? ?
Matlab工具箱中的BP与RBF函数 Matlab神经网络工具箱中的函数非常丰富，给网络设置合适的属性，可以加快网络的学习速度，缩短网络的学习进程。限于篇幅，仅对本章所用到的函数进行介绍，其它的函数及其用法请读者参考联机文档和帮助。 1 BP与RBF网络创建函数 在Matlab工具箱中有如表1所示的创建网络的函数，作为示例，这里只介绍函数newff、newcf、newrb和newrbe。 表 1 神经网络创建函数 (1) newff函数 功能：创建一个前馈BP神经网络。 调用格式：net = newff(PR,[S1 S2...S Nl],{TF1 TF2...TF Nl},BTF,BLF,PF) 参数说明： ?PR - R个输入的最小、最大值构成的R×2矩阵； ?S i–S NI层网络第i层的神经元个数； ?TF i - 第i层的传递函数，可以是任意可导函数，默认为'tansig'，
可设置为logsig，purelin等； ?BTF -反向传播网络训练函数，默认为'trainlm'，可设置为trainbfg，trainrp，traingd等； ?BLF -反向传播权值、阈值学习函数，默认为'learngdm'； ?PF -功能函数，默认为'mse'； (2) newcf函数 功能：创建一个N层的层叠(cascade)BP网络 调用格式：net = newcf(Pr,[S1 S2...SNl],{TF1 TF2...TFNl},BTF,BLF,PF) 参数同函数newff。 (3) newrb函数 功能：创建一个径向基神经网络。径向基网络可以用来对一个函数进行逼近。newrb函数用来创建一个径向基网络，它可以是两参数网络，也可以是四参数网络。在网络的隐层添加神经元，直到网络满足指定的均方误差要求。 调用格式：net = newrb(P,T,GOAL,SPREAD) 参数说明： ?P：Q个输入向量构成的R×Q矩阵； ?T：Q个期望输出向量构成的S×Q矩阵； ?GOAL：均方误差要求，默认为0。 ?SPREAD：分散度参数，默认值为1。SPREAD越大，网络逼近的函数越平滑，但SPREAD取值过大将导致在逼近变化比较剧烈的函
matlab遗传算法工具箱函数及实例讲解 最近研究了一下遗传算法，因为要用遗传算法来求解多元非线性模型。还好用遗传算法的工箱予以实现了，期间也遇到了许多问题。借此与大家分享一下。 首先，我们要熟悉遗传算法的基本原理与运算流程。 基本原理：遗传算法是一种典型的启发式算法，属于非数值算法范畴。它是模拟达尔文的自然选择学说和自然界的生物进化过程的一种计算模型。它是采用简单的编码技术来表示各种复杂的结构，并通过对一组编码表示进行简单的遗传操作和优胜劣汰的自然选择来指导学习和确定搜索的方向。遗传算法的操作对象是一群二进制串（称为染色体、个体），即种群，每一个染色体都对应问题的一个解。从初始种群出发，采用基于适应度函数的选择策略在当前种群中选择个体，使用杂交和变异来产生下一代种群。如此模仿生命的进化进行不断演化，直到满足期望的终止条件。 运算流程： Step 1：对遗传算法的运行参数进行赋值。参数包括种群规模、变量个数、交叉概率、变异概率以及遗传运算的终止进化代数。 Step 2：建立区域描述器。根据轨道交通与常规公交运营协调模型的求解变量的约束条件，设置变量的取值范围。 Step 3：在Step 2的变量取值范围内，随机产生初始群体，代入适应度函数计算其适应度值。 Step 4：执行比例选择算子进行选择操作。 Step 5：按交叉概率对交叉算子执行交叉操作。 Step 6：按变异概率执行离散变异操作。 Step 7：计算Step 6得到局部最优解中每个个体的适应值，并执行最优个体保存策略。 Step 8：判断是否满足遗传运算的终止进化代数，不满足则返回Step 4，满足则输出运算结果。 其次，运用遗传算法工具箱。 运用基于Matlab的遗传算法工具箱非常方便，遗传算法工具箱里包括了我们需要的各种函数库。目前，基于Matlab的遗传算法工具箱也很多，比较流行的有英国设菲尔德大学开发的遗传算法工具箱GATBX、GAOT以及Math Works公司推出的GADS。实际上，GADS 就是大家所看到的Matlab中自带的工具箱。我在网上看到有问为什么遗传算法函数不能调用的问题，其实，主要就是因为用的工具箱不同。因为，有些人用的是GATBX带有的函数，但MATLAB自带的遗传算法工具箱是GADS，GADS当然没有GATBX里的函数，因此运行程序时会报错，当你用MATLAB来编写遗传算法代码时，要根据你所安装的工具箱来编写代码。
1、 基本形式 >> y=[0 0.58 0.70 0.95 0.83 0.25]; >> plot(y) 生成的图形是以序号为横坐标、数组y的数值为纵坐标画出的折线。 >> x=linspace(0,2*pi,30); % 生成一组线性等距的数值 >> y=sin(x); >> plot(x,y) 生成的图形是上30个点连成的光滑的正弦曲线。 多重线 在同一个画面上可以画许多条曲线，只需多给出几个数组，例如 >> x=0:pi/15:2*pi; >> y1=sin(x)； >> y2=cos(x)； >> plot(x,y1,x,y2) 则可以画出多重线。另一种画法是利用hold命令。在已经画好的图形上，若设置hold on，MATLA将把新的plot命令产生的图形画在原来的图形上。而命令hold off 将结束这个过程。例如： >> x=linspace(0,2*pi,30); y=sin(x); plot(x,y) >> hold on >> z=cos(x); plot(x,z) >> hold off 线型和颜色 MATLAB对曲线的线型和颜色有许多选择，标注的方法是在每一对数组后加一个字符串参数，说明如下： 线型线方式：- 实线:点线-. 虚点线- - 波折线。 线型点方式： . 圆点+加号* 星号x x形o 小圆
颜色：y黄；r红；g绿；b蓝；w白；k黑；m紫；c青. 以下面的例子说明用法： >> x=0:pi/15:2*pi; >> y1=sin(x); y2=cos(x); >> plot(x,y1,’b:+’,x,y2,’g-.*’) 网格和标记 在一个图形上可以加网格、标题、x轴标记、y轴标记，用下列命令完成这些工作。 >> x=linspace(0,2*pi,30); y=sin(x); z=cos(x); >> plot(x,y,x,z) >> grid >> xlabel(‘Independent Variable X’) >> ylabel(‘Dependent Variables Y and Z’) >> title(‘Sine and Cosine Curves’) 也可以在图形的任何位置加上一个字符串，如用： >> text(2.5,0.7,’sinx’) 表示在坐标x=2.5, y=0.7处加上字符串sinx。更方便的是用鼠标来确定字符串的位置，方法是输入命令： >> gtext(‘sinx’) 在图形窗口十字线的交点是字符串的位置，用鼠标点一下就可以将字符串放在那里。 坐标系的控制 在缺省情况下MATLAB自动选择图形的横、纵坐标的比例，如果你对这个比例不满意，可以用axis命令控制，常用的有： axis([xmin xmax ymin ymax]) [ ]中分别给出x轴和y轴的最大值、最小值 axis equal 或axis(‘equal’) x轴和y轴的单位长度相同 axis square 或axis(‘square’) 图框呈方形
Windows下MATLAB分布式并行计算服务器配置和使用方 法 1MATLAB分布式并行计算服务器介绍 MATLAB Distributed Computing Server可以使并行计算工具箱应用程序得到扩展，从而可以使用运行在任意数量计算机上的任意数量的worker。MATLAB Distributed Computing Server还支持交互式和批处理工作流。此外，使用Parallel Computing Toolbox 函数的MATLAB 应用程序还可利用MATLAB Compiler （MATLAB 编译器）编入独立的可执行程序和共享软件组件，以进行免费特许分发。这些可执行应用程序和共享库可以连接至MATLAB Distributed Computing Server的worker，并在计算机集群上执行MATLAB同时计算，加快大型作业执行速度，节省运行时间。 MATLAB Distributed Computing Server 支持多个调度程序：MathWorks 作业管理器（随产品提供）或任何其他第三方调度程序，例如Platform LSF、Microsoft Windows Compute Cluster Server（CCS）、Altair PBS Pro，以及TORQUE。 使用工具箱中的Configurations Manager（配置管理器），可以维护指定的设置，例如调度程序类型、路径设置，以及集群使用政策。通常，仅需更改配置名称即可在集群间或调度程序间切换。 MATLAB Distributed Computing Server 会在应用程序运行时在基于用户配置文件的集群上动态启用所需的许可证。这样，管理员便只需在集群上管理一个服务器许可证，而无需针对每位集群用户在集群上管理单独的工具箱和模块集许可证。 作业（Job）是在MATLAB中大量的操作运算。一个作业可以分解不同的部分称为任务（Task），客户可以决定如何更好的划分任务，各任务可以相同也可以不同。MALAB中定义并建立作业及其任务的会话（Session）被称为客户端会话，通常这是在你用来编写程序那台机器上进行的。客户端用并行计算工具箱来定义和建立作业及其任务，MDCE通过计算各个任务来执行作业并负责把结果返
matlab 常用函数汇总 编程2008-07-10 21:45:20 阅读46 评论0 字号：大中小订阅matlab常用函数 图形注释 Title 图形标题 Xlabel X轴标记 Ylabel Y轴标记 Text 文本注释 Gtext 用鼠标放置文本 Grid 网格线 MATLAB编程语言 Function 增加新的函数 Eval 执行由MA TLAB表达式构成的字串 Feval 执行由字串指定的函数 Global 定义全局变量 程序控制流 If 条件执行语句 Else 与if命令配合使用 Elseif 与if命令配合使用 End For,while和if语句的结束 For 重复执行指定次数（循环） While 重复执行不定次数（循环） Break 终止循环的执行 Return 返回引用的函数 Error 显示信息并终止函数的执行 交互输入 Input 提示用户输入 Keyboard 像底稿文件一样使用键盘输入 Menu 产生由用户输入选择的菜单 Pause 等待用户响应 Uimenu 建立用户界面菜单 Uicontrol 建立用户界面控制 一般字符串函数 Strings MATLAB中有关字符串函数的说明 Abs 变字符串为数值 Setstr 变数值为字符串 Isstr 当变量为字符串时其值为真 Blanks 空串 Deblank 删除尾部的空串 Str2mat 从各个字符串中形成文本矩阵 Eval 执行由MA TLAB表达式组成的串 字符串比较 Strcmp , , , 比较字符串 Findstr 在一字符串中查找另一个子串
Upper 变字符串为大写 Lower 变字符串为小写 Isletter 当变量为字母时，其值为真 Isspace 当变量为空白字符时，其值为真 字符串与数值之间变换 Num2str 变数值为字符串 Int2str 变整数为字符串 Str2num 变字符串为数值 Sprintf 变数值为格式控制下的字符串 Sscanf 变字符串为格式控制下的数值 十进制与十六进制数之间变换 Hex2num 变十六进制为IEEE标准下的浮点数Hex2dec 变十六制数为十进制数 Dec2hex 变十进制数为十六进制数 建模 Append 追加系统动态特性 Augstate 变量状态作为输出 Blkbuild 从方框图中构造状态空间系统Cloop 系统的闭环 Connect 方框图建模 Conv 两个多项式的卷积 Destim 从增益矩阵中形成离散状态估计器Dreg 从增益矩阵中形成离散控制器和估计器Drmodel 产生随机离散模型 Estim 从增益矩阵中形成连续状态估计器Feedback 反馈系统连接 Ord2 产生二阶系统的A、B、C、D Pade 时延的Pade近似 Parallel 并行系统连接 Reg 从增益矩阵中形成连续控制器和估计器Rmodel 产生随机连续模型 Series 串行系统连接 Ssdelete 从模型中删除输入、输出或状态ssselect 从大系统中选择子系统 模型变换 C2d 变连续系统为离散系统 C2dm 利用指定方法变连续为离散系统 C2dt 带一延时变连续为离散系统 D2c 变离散为连续系统 D2cm 利用指定方法变离散为连续系统 Poly 变根值表示为多项式表示 Residue 部分分式展开 Ss2tf 变状态空间表示为传递函数表示 Ss2zp 变状态空间表示为零极点表示
MATLAB模型预测控制工具箱函数 8.2 系统模型建立与转换函数 前面读者论坛了利用系统输入/输出数据进行系统模型辨识的有关函数及使用方法，为时行模型预测控制器的设计，需要对系统模型进行进一步的处理和转换。MATLAB的模型预测控制工具箱中提供了一系列函数完成多种模型转换和复杂系统模型的建立功能。 在模型预测控制工具箱中使用了两种专用的系统模型格式，即MPC状态空间模型和MPC传递函数模型。这两种模型格式分别是状态空间模型和传递函数模型在模型预测控制工具箱中的特殊表达形式。这种模型格式化可以同时支持连续和离散系统模型的表达，在MPC传递函数模型中还增加了对纯时延的支持。表8-2列出了模型预测控制工具箱的模型建立与转换函数。 表8-2 模型建立与转换函数 8.2.1 模型转换 在MATLAB模型预测工具箱中支持多种系统模型格式。这些模型格式包括： ①通用状态空间模型； ②通用传递函数模型； ③MPC阶跃响应模型； ④MPC状态空间模型；
⑤ MPC 传递函数模型。 在上述5种模型格式中，前两种模型格式是MATLAB 通用的模型格式，在其他控制类工具箱中，如控制系统工具箱、鲁棒控制工具等都予以支持；而后三种模型格式化则是模型预测控制工具箱特有的。其中，MPC 状态空间模型和MPC 传递函数模型是通用的状态空间模型和传递函数模型在模型预测控制工具箱中采用的增广格式。模型预测控制工具箱提供了若干函数，用于完成上述模型格式间的转换功能。下面对这些函数的用法加以介绍。 1．通用状态空间模型与MPC 状态空间模型之间的转换 MPC 状态空间模型在通用状态空间模型的基础上增加了对系统输入/输出扰动和采样周期的描述信息，函数ss2mod ()和mod2ss ()用于实现这两种模型格式之间的转换。 1）通用状态空间模型转换为MPC 状态空间模型函数ss2mod () 该函数的调用格式为 pmod= ss2mod (A,B,C,D) pmod = ss2mod (A,B,C,D,minfo) pmod = ss2mod (A,B,C,D,minfo,x0,u0,y0,f0) 式中，A, B, C, D 为通用状态空间矩阵； minfo 为构成MPC 状态空间模型的其他描述信息，为7个元素的向量，各元素分别定义为： ◆ minfo(1)=dt ，系统采样周期，默认值为1； ◆ minfo(2)=n ，系统阶次，默认值为系统矩阵A 的阶次； ◆ minfo(3)=nu ，受控输入的个数，默认值为系统输入的维数； ◆ minfo(4)=nd ，测量扰的数目，默认值为0； ◆ minfo(5)=nw ，未测量扰动的数目，默认值为0； ◆ minfo(6)=nym ，测量输出的数目，默认值系统输出的维数； ◆ minfo(7)=nyu ，未测量输出的数目，默认值为0； 注：如果在输入参数中没有指定m i n f o ，则取默认值。 x0, u0, y0, f0为线性化条件，默认值均为0； pmod 为系统的MPC 状态空间模型格式。 例8-5 将如下以传递函数表示的系统模型转换为MPC 状态空间模型。 1 2213)(232+++++=s s s s s s G 解：MATLAB 命令如下：
Getting Started with Parallel Computing using MATLAB: Interactive and Scheduled Applications Created by S. Zaranek, E. Johnson and A. Chakravarti 1.Objectives This user guide provides an end user with instructions on how to get started running parallel MATLAB applications using a desktop computer or a cluster. 2.Assumptions User has access to MATLAB and Parallel Computing Toolbox on the desktop computer or head node of the cluster. If running on a cluster: MATLAB Distributed Computing Server has been installed by an administrator on the cluster. The desktop MATLAB client has been configured to connect to the cluster. If this has not been done, you should contact the cluster administrator. 3. Getting the Example Files Unzip the demoFiles.zip file that was provided along with this guide. You can add the files to the MATLAB path by running the addpath command in MATLAB. >> addpath
一、常用对象操作：除了一般windows窗口的常用功能键外。 1、!dir 可以查看当前工作目录的文件。!dir&可以在dos状态下查看。 2、who 可以查看当前工作空间变量名，whos 可以查看变量名细节。 3、功能键： 功能键快捷键说明 方向上键Ctrl+P 返回前一行输入 方向下键Ctrl+N 返回下一行输入 方向左键Ctrl+B 光标向后移一个字符 方向右键Ctrl+F 光标向前移一个字符 Ctrl+方向右键Ctrl+R 光标向右移一个字符 Ctrl+方向左键Ctrl+L 光标向左移一个字符 home Ctrl+A 光标移到行首 End Ctrl+E 光标移到行尾 Esc Ctrl+U 清除一行 Del Ctrl+D 清除光标所在的字符 Backspace Ctrl+H 删除光标前一个字符 Ctrl+K 删除到行尾 Ctrl+C 中断正在执行的命令 4、clc可以命令窗口显示的内容，但并不清除工作空间。 二、函数及运算 1、运算符： ＋：加，－：减，*：乘，/：除，\：左除^：幂，‘：复数的共轭转置，（）：制定运算顺序。 2、常用函数表： sin( ) 正弦（变量为弧度） Cot( ) 余切（变量为弧度） sind( ) 正弦（变量为度数） Cotd( ) 余切（变量为度数） asin( ) 反正弦（返回弧度） acot( ) 反余切（返回弧度） Asind( ) 反正弦（返回度数） acotd( ) 反余切（返回度数） cos( ) 余弦（变量为弧度） exp( ) 指数 cosd( ) 余弦（变量为度数） log( ) 对数 acos( ) 余正弦（返回弧度） log10( ) 以10为底对数 acosd( ) 余正弦（返回度数） sqrt( ) 开方 tan( ) 正切（变量为弧度） realsqrt( ) 返回非负根 tand( ) 正切（变量为度数） abs( ) 取绝对值
前言：之前在本博客上发过一些关于matlab并行计算的文章，也有不少网友加我讨论关于这方面的一些问题，比如matlab并行计算环境的建立，并行计算效果，数据传递等等，由于本人在研究生期间做论文的需要在这方面做过一些研究，但总体感觉也就是一些肤浅的应用，现已工作，已很少再用了，很多细节方面可能也记不清了，在这里将以前做的论文内容做一些整理，将分几个小节，对matlab并行计算做个一个简要的介绍，以期对一些初学者有所帮助，当然最主要的还是多看帮助文档及相关技术文章！有不当之处敬请各位网友指正， 3.1 Matlab并行计算发展简介 MATLAB技术语言和开发环境应用于各个不同的领域，如图像和信号处理、控制系统、财务建模和计算生物学。MA TLAB通过专业领域特定的插件（add-ons）提供专业例程即工具箱(Toolbox)，并为高性能库(Libraries)如BLAS(Basic Linear Algebra Subprograms，用于执行基本向量和矩阵操作的标准构造块的标准程序)、FFTW(Fast Fourier Transform in the West，快速傅里叶变换)和LAPACK(Linear Algebra PACKage，线性代数程序包)提供简洁的用户界面，这些特点吸引了各领域专家，与使用低层语言如C语言相比可以使他们很快从各个不同方案反复设计到达功能设计。 计算机处理能力的进步使得利用多个处理器变得容易，无论是多核处理器，商业机群或两者的结合，这就为像MATLAB一样的桌面应用软件寻找理论机制开发这样的构架创造了需求。已经有一些试图生产基于MATLAB的并行编程的产品，其中最有名是麻省理工大学林肯实验室(MIT Lincoln Laboratory)的pMATLAB和MatlabMPI，康耐尔大学(Cornell University)的MutiMATLAB和俄亥俄超级计算中心(Ohio Supercomputing Center)的bcMPI。 MALAB初期版本就试图开发并行计算，80年代晚期MA TLAB的原作者，MathWorks 公司的共同创立者Cleve Moler曾亲自为英特尔HyperCube和Ardent电脑公司的Titan超级计算机开发过MATLAB。Moler 1995年的一篇文章“Why there isn't a parallel MATLAB?[**]”中描述了在开了并行MA TLAB语言中有三个主要的障碍即：内存模式、计算粒度和市场形势。MATLAB全局内存模式的多数并行系统的分布式模式意味着大数据矩阵在主机和并行机之间来回传输。与语法解析和图形例程相比，那时MA TLAB只花了小部分的时间行例程上，这使得并行上的努力并不是很有吸引力。最后一个障碍对于一个资源有限的组织来讲确实是一个现实，即没有足够多的MA TLAB用户将其用于并行机上，因此公司还是把注意力放在单个CPU的MA TLAB开发上。然而这并不妨碍一些用户团体开发MA TLAB并行计算功能，如上面提到的一些实验室和超级计算中心等。 有几个因素使并行MATLAB工程在MathWorks公司内部变得很重要，首先MATALB 已经成长为支持大规模工程的领先工程技术计算环境；其次现今的微处理器可以有两个或四个内核，将来可能会更多甚至个人并行机，采用更复杂的分层存储结构，MA TLAB可以利用多处理器计算机或网络机群；最后是用户团体中要求全面成熟解决方案的呼声也越来越高[] Cleve Moler. Parallel MATLAB: Multiple Processors and Multi Cores, Th eMathWorks News&Notes 。 有三种途径可以用MATLAB来创建一个并行计算系统。第一种途径是主要是把MATLAB或相似程序翻译为低层语言如C或FORTRAN，并用注解和其它机制从编译器中生成并行代码，如CONLAB和FALCON工程就是这样。把MATLAB程序翻译为低层C或FORTRAN语言是个比较困难的问题，实际上MathWorks公司的MA TLAB编译软件就能转换生成C代码到生成包含MATLAB代码和库并支持各种语言特性的包装器。
表Ⅰ-11 线性模型函数 函数描述 anova1 单因子方差分析 anova2 双因子方差分析 anovan 多因子方差分析 aoctool 协方差分析交互工具 dummyvar 拟变量编码 friedman Friedman检验 glmfit 一般线性模型拟合 kruskalwallis Kruskalwallis检验 leverage 中心化杠杆值 lscov 已知协方差矩阵的最小二乘估计manova1 单因素多元方差分析manovacluster 多元聚类并用冰柱图表示multcompare 多元比较 多项式评价及误差区间估计 polyfit 最小二乘多项式拟合 polyval 多项式函数的预测值 polyconf 残差个案次序图 regress 多元线性回归 regstats 回归统计量诊断 续表 函数描述 Ridge 岭回归 rstool 多维响应面可视化 robustfit 稳健回归模型拟合 stepwise 逐步回归 x2fx 用于设计矩阵的因子设置矩阵 表Ⅰ-12 非线性回归函数 函数描述 nlinfit 非线性最小二乘数据拟合（牛顿法）nlintool 非线性模型拟合的交互式图形工具nlparci 参数的置信区间 nlpredci 预测值的置信区间 nnls 非负最小二乘 表Ⅰ-13 试验设计函数 函数描述 cordexch D-优化设计（列交换算法）daugment 递增D-优化设计 dcovary 固定协方差的D-优化设计ff2n 二水平完全析因设计 fracfact 二水平部分析因设计 fullfact 混合水平的完全析因设计hadamard Hadamard矩阵（正交数组）rowexch D-优化设计（行交换算法） 表Ⅰ-14 主成分分析函数 函数描述 barttest Barttest检验 pcacov 源于协方差矩阵的主成分pcares 源于主成分的方差 princomp 根据原始数据进行主成分分析 表Ⅰ-15 多元统计函数 函数描述 classify 聚类分析 mahal 马氏距离 manova1 单因素多元方差分析manovacluster 多元聚类分析 表Ⅰ-16 假设检验函数 函数描述 ranksum 秩和检验 signrank 符号秩检验 signtest 符号检验 ttest 单样本t检验 ttest2 双样本t检验 ztest z检验 表Ⅰ-17 分布检验函数 函数描述 jbtest 正态性的Jarque-Bera检验kstest 单样本Kolmogorov-Smirnov检验kstest2 双样本Kolmogorov-Smirnov检验lillietest 正态性的Lilliefors检验 表Ⅰ-18 非参数函数 函数描述 friedman Friedman检验 kruskalwallis Kruskalwallis检验ranksum 秩和检验 signrank 符号秩检验 signtest 符号检验
给自己看的----Matlab的内部常数（转） 2008/06/19 14:01[Ctrl C/V--学校 ] MATLAB基本知识 Matlab的内部常数 pi 圆周率 exp(1) 自然对数的底数e i 或j 虚数单位 Inf或inf 无穷大 Matlab的常用内部数学函数
我们也可在matlab中调用maple的命令进行多项式的运算，调用格式如下： maple（’maple中多项式的运算命令’） 如何用matlab进行分式运算 发现matlab只有一条处理分式问题的命令，其使用格式如下： [n，d]=numden（f）把符号表达式f化简为有理形式，其中分子和分母的系数为整数且分子分母不含公约项，返回结果n为分子，d为分母。注意：f必须为符号表达式 不过我们可以调用maple的命令，调用方法如下： maple（’denom（f）’）提取分式f的分母 maple(’numer（f）’)提取分式f的分子 maple(’normal（f）’ ) 把分式f的分子与分母约分成最简形式 maple(’expand（f）’) 把分式f的分子展开,分母不变且被看成单项。 maple(’factor（f）’) 把分式f的分母和分子因式分解，并进行约分。 如何用Matlab进行因式分解 syms 表达式中包含的变量factor(表达式) 如何用Matlab展开 syms 表达式中包含的变量expand(表达式) 如何用Matlab进行化简 syms 表达式中包含的变量simplify(表达式) 如何用Matlab合并同类项 syms 表达式中包含的变量collect(表达式，指定的变量) 如何用Matlab进行数学式的转换 调用Maple中数学式的转换命令，调用格式如下： maple(‘Maple的数学式转换命令’) 即：maple(‘convert(表达式，form)’)将表达式转换成form的表示方式 maple(‘convert(表达式，form, x)’)指定变量为x，将依赖于变量x的函数转换成form的表示方式（此指令仅对form为exp与sincos的转换式有用） 如何用Matlab进行变量替换 syms 表达式和代换式中包含的所有变量subs(表达式，要替换的变量或式子，代换式) 如何用matlab进行复数运算 a+b*i 或 a +b*j表示复数a+bi 或a+bj real（z）求复数z的实部 imag（z）求复数z的虚部 abs（z）求复数z的模 angle（z）求复数z的辐角， conj（z）求复数z的共轭复数 exp（z）复数的指数函数，表示e^z 如何在matlab中表示集合 [a, b, c,…] 表示由a, b, c,…组成的集合（注意：元素之间也可用空格隔开） unique(A) 表示集合A的最小等效集合（每个元素只出现一次） 也可调用maple的命令，格式如下： maple('{a, b, c,…}')表示由a, b, c,…组成的集合 下列命令可以生成特殊的集合： maple(‘{seq(f(i),i=n..m)}’)生成集合{f(n), f(n+1), f(n+2), … , f(m)} 如何用Matlab求集合的交集、并集、差集和补集
龙源期刊网 https://www.doczj.com/doc/5f9619091.html, MATLAB并行计算解决方案 作者：姚尚锋刘长江唐正华 来源：《计算机时代》2016年第09期 DOI：10.16644/https://www.doczj.com/doc/5f9619091.html,33-1094/tp.2016.09.021 摘要：为了利用分布式和并行计算来解决高性能计算问题，本文介绍了利用MATHWORKS公司开发的并行计算工具箱在MATLAB中建模与开发分布式和并行应用的一些方法；包括并行for循环、批处理作业、分布式数组、单程序多数据（SPMD）结构等。用这些方法可将串行MATLAB应用程序转换为并行MATLAB应用程序，且几乎不需要修改代码和低级语言编写程序，从而提高了编程和程序运行的效率。用这些方法来执行模型，可以解决更大的问题，覆盖更多的仿真情景并减少桌面资源。 关键词：建模；仿真；并行计算； MATLAB 中图分类号：TP31 文献标志码：A 文章编号：1006-8228（2016）09-73-03 Parallel computing solutions with MATLAB Yao Shangfeng， Liu Changjiang， Tang Zhenghua， Dai Di （Simulation Training Center， Armored Force Institute， Bengbu， Anhui 233050， China） Abstract： For the use of distributed and parallel computing to solve the problem of high-performance computing， this article describes the use of Parallel Computing Toolbox developed by MATHWORKS Company and some methods of parallel applications， including parallel for loop，batch jobs， distributed arrays， Single Program Multiple Data （SPMD） structure. by the methods， the serial MATLAB applications can be converted to parallel MATLAB applications，and almost no need to modify the code and program in low level languages， thereby increasing the efficiency of programming and operation. Use this method to perform model can solve bigger problems， cover more simulation scenarios and reduce the desktop resources. Key words： modeling； simulation； parallel computing； MATLAB 0 引言 用户面临着用更少的时间建立复杂系统模型的需求，他们使用分布式和并行计算来解决高性能计算问题。MATHWORKS公司开发的并行计算工具箱（Parallel Computing Toolbox）[1-5]可以在MATLAB中建模和开发分布式和并行应用，并在多核处理器和多核计算机中执行，解决计算、数据密集型问题[2]，而且并不离开即使的开发环境；无需更改代码，即可在计算机