发布时间 : 星期二 文章推荐数学建模matlab方法整理更新完毕开始阅读4ba3bd99763231126edb11fb
%将矩阵a按照第3列的降序排列，其他列将跟随着第3列 的变化，保持一一对应。 data = 1 3 2 7 6 5 4 9 8
sortrows(data,1) ans = 1 3 2 4 9 8 7 6 5
sortrows(data,-1) ans = 7 6 5 4 9 8 1 3 2
corrcoef
corrcoef（x，y）表示序列x和序列y的相关系数，得到的结果是一个2*2矩阵，其中对角线上的元素分别表示x和y的自相关，非对角线上的元素分别表示x与y的相关系数和y
与x的相关系数，两个是相等的。
Sim
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。
BP网络
1、BP网络构建 （1）生成BP网络
net ? newff(PR,[S1 S2...SNl],{TF1 TF2...TFNl},BTF,BLF,PF)
PR：由R维的输入样本最小最大值构成的R?2维矩阵。
[S1 S2...SNl]：各层的神经元个数。
{TF1 TF2...TFNl}：各层的神经元传递函数。
BTF：训练用函数的名称。
（2）网络训练
[net,tr,Y,E,Pf,Af] ? train(net,P,T,Pi,Ai,VV,TV)
（3）网络仿真
[Y,Pf,Af,E,perf] ? sim(net,P,Pi,Ai,T)
Vec2ind与ind2vec
vec2ind， “向量变索引”，
假设一个3*6的稀疏矩阵T(1,:)=[0 1 0 0 1 0];T(2,:)=[1 0 1 1 0 0];T(3,:)=[0 0 0 0 0 1],
通过vec2ind(T)将会得到什么？
因为通过矩阵知道T是6列的，
T =
0 1 0 0 1 0 1 0 1 1 0 0 0 0 0 0 0 1
vec2ind(T)得到的是1行6列的向量，该向量对应的元素分别是T中第1列到第6列中数字\对应的行号，因例子中的T矩阵，在第一列中第2行对应的是\则vec2ind(T)的第一个元素是2，同理，T中第二列中“1”在第1行，则vec2ind(T)的第二个元素是\，依次类推，T中第3列至第6列中“1”对应行数分别是“2\。 因此，vec2ind(T)=[2 1 2 2 1 3];
ind2vec则反过来理解即可，如一个索引适量A=[1 3 2 2 2 1 2 1]，求ind2vec？
从A可以看出A是1行8列的（如果实在不知道，就用size(A)查看），从A中元素最大值\可以看出，索引对应的向量是3行的，还不理解？那就用最基本的方法，因A中元素对应的是行号，设B=ind2vec(A)，意味着B(1,1),B(3,2),B(2,3),B(2,4), B(2,5), B(1,6),B(2,7),B(1,8)
对应的值是\，其余元素均为\即
1 0 0 0 0 1 0 1 B=ind2vec(A)= 0 0 1 1 1 0 1 0 0 1 0 0 0 0 0 0 神经网络中：
a = sim(net,P) 后运行的结果是：a =
(10,1) 1 %表示输入第1个测试样本数据，10号神经元获胜（我用的是hextop建立的竟争层）
(10,2) 1 %表示输入第2个测试样本数据，10号神经元获胜 (9,3) 1 %表示输入第3个测试样本数据，9号神经元获胜 (8,4) 1 %表示输入第4个测试样本数据，8号神经元获胜 (8,5) 1 。。。。。。 (29,6) 1 (40,7) 1 (50,8) 1 (60,9) 1 (60,10) 1
用ac = vec2ind(a) 后可得： ac =
Columns 1 through 10
10 10 9 8 8 29 40 50 60 60
这样可以更清晰地看出来从第一个样本到最后一个样本，分别是那个神经元获胜。