数学建模Matlab代码实战教程第六讲

原创 于 2025-09-06 10:41:51 发布 · 994 阅读 · 13 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文还有配套的精品资源，点击获取 menu-r.4af5f7ec.gif

简介：Matlab作为数学建模中的核心工具，具备强大的数值计算能力、丰富的数学函数库和直观的图形界面，被广泛应用于模型构建与分析。本教程为系列课程第六讲，聚焦Matlab在数学建模中的实际应用，内容涵盖模型建立、数值求解、数据处理、可视化展示、算法实现、系统仿真、代码优化等多个方面。通过具体代码实例，帮助学习者掌握从理论到实践的完整建模流程，提升解决实际问题的能力。
数学建模，数学建模，数学建模Matlab代码6

1. 数学建模基本概念与流程

数学建模是将实际问题抽象为数学语言，通过建立数学模型进行分析、求解和预测的过程。它在工程、经济、生物、环境等多个领域中发挥着关键作用，是连接理论与实际问题的重要桥梁。

数学建模的定义与重要性

数学建模是指通过数学工具（如方程、函数、图论等）对现实世界中的复杂问题进行抽象描述，并利用数学方法进行求解与分析的过程。其重要性体现在：

  • 提升决策科学性 ：通过建模可量化问题，辅助科学决策；
  • 模拟与预测能力 ：可在不进行实际实验的情况下预测系统行为；
  • 优化资源配置 ：帮助寻找最优解或近似最优解，提升效率；
  • 跨学科应用广泛 ：适用于物理、金融、人工智能等多个领域。

2. Matlab符号计算建模方法

Matlab作为数学建模中不可或缺的工具，其符号计算功能为模型的构建、推导与解析求解提供了极大的便利。符号计算不同于数值计算，它能够处理代数表达式、方程求解、导数、积分等数学操作，并以解析形式输出结果，从而帮助建模者深入理解模型结构和参数关系。本章将围绕Matlab的符号计算建模方法展开，深入探讨符号变量的定义、符号方程的求解以及符号计算在模型推导中的实际应用。

2.1 符号变量与表达式的创建

在数学建模中，变量往往不是具体的数值，而是具有数学意义的符号。Matlab通过Symbolic Math Toolbox提供了强大的符号计算能力，使得我们可以直接操作符号变量和表达式。

2.1.1 sym 与 syms 函数的使用

Matlab中用于创建符号变量的主要函数是 sym 和 syms 。它们的使用方式略有不同，但都可用于定义符号变量。

sym 函数

sym 函数用于创建单个符号变量。其基本语法如下： 

x = sym('x');

该语句创建了一个名为 x 的符号变量，后续可以将其用于构建表达式、方程等。

syms 函数

syms 是更为便捷的符号变量定义方式，支持同时定义多个符号变量，语法如下： 

syms x y z

上述语句一次性定义了三个符号变量 x 、 y 和 z ，适合在建模过程中快速引入多个变量。

示例：定义多项式表达式 
syms x y
expr = x^2 + 2*x*y + y^2;
disp(expr);

输出结果为： 

x^2 + 2*x*y + y^2

这表明表达式成功构建，后续可以进行化简、求导、积分等操作。

2.1.2 表达式的基本运算与化简

符号表达式支持多种数学运算，包括加减乘除、幂运算、三角函数、指数对数函数等。Matlab还提供了多种化简函数来简化表达式。

常见运算 
syms x y
expr1 = x^2 + 2*x + 1;
expr2 = y^2 - 2*y + 1;

% 加法
expr_sum = expr1 + expr2;

% 乘法
expr_mul = expr1 * expr2;

disp(expr_sum);
disp(expr_mul);

输出结果： 

x^2 + 2*x + y^2 - 2*y + 2
(x^2 + 2*x + 1)*(y^2 - 2*y + 1)
表达式化简

Matlab提供了如 simplify 、 expand 、 factor 等函数用于表达式的化简与变形。 

expr_simplified = simplify(expr_mul);
disp(expr_simplified);

输出结果可能为展开形式或更紧凑的表达式，具体取决于化简规则。

参数说明
  • simplify(expr) ：尝试自动简化表达式。
  • expand(expr) ：展开乘积和幂。
  • factor(expr) ：因式分解表达式。

这些函数在模型推导过程中，特别是在处理复杂代数式时非常有用。

2.2 符号方程的求解

符号方程求解是数学建模的核心环节之一。Matlab提供了对代数方程和微分方程的符号解法，使得我们可以在建模初期获得解析解，从而更好地理解模型行为。

2.2.1 代数方程的符号解法

Matlab使用 solve 函数来求解代数方程。它可以处理单变量和多变量方程组。

单变量方程求解 
syms x
eqn = x^2 - 4 == 0;
sol = solve(eqn, x);
disp(sol);

输出结果： 

-2
 2
多变量方程组求解 
syms x y
eqn1 = x + y == 5;
eqn2 = x - y == 1;
sol = solve([eqn1, eqn2], [x, y]);
disp(sol.x);
disp(sol.y);

输出结果： 

3
2
参数说明
  • solve(equation, variable) ：求解方程 equation 关于变量 variable 的解。
  • 对于方程组，可以将方程放入数组中，并指定变量数组。

2.2.2 微分方程的解析求解

Matlab可以通过 dsolve 函数求解常微分方程（ODE）的解析解。

一阶ODE求解 
syms y(t)
ode = diff(y, t) + 2*y == t;
sol = dsolve(ode, y(0) == 1);
disp(sol);

输出结果为解析解表达式。

二阶ODE求解 
syms y(t)
ode = diff(y, t, 2) + 3*diff(y, t) + 2*y == 0;
sol = dsolve(ode, y(0) == 1, diff(y, t)(0) == 0);
disp(sol);
参数说明
  • diff(y, t) ：表示对 y 关于 t 的一阶导数。
  • diff(y, t, n) ：表示 n 阶导数。
  • dsolve(ode, cond1, cond2, ...) ：求解带有初始条件的微分方程。

2.3 符号计算在模型推导中的应用

符号计算不仅可用于方程求解，更广泛地应用于模型的推导过程，包括模型公式的自动推导、参数的符号分析等。

2.3.1 模型公式的自动推导

在建模过程中，我们常常需要从一组基本物理定律出发，推导出模型的数学表达式。Matlab的符号计算功能可以自动完成这一过程。

示例：质量-弹簧-阻尼系统建模

根据牛顿第二定律，可以写出系统的动力学方程：

$$ m \ddot{x} + c \dot{x} + k x = F(t) $$

使用符号变量定义并推导： 

syms m c k F(t) x(t)
ode = m*diff(x, t, 2) + c*diff(x, t) + k*x == F(t);
disp(ode);

输出结果： 

m*diff(x(t), t, 2) + c*diff(x(t), t) + k*x(t) == F(t)

这一步可作为后续数值求解或分析的基础。

2.3.2 模型参数的符号分析

符号计算允许我们对模型参数进行符号级别的分析，例如灵敏度分析、稳定性分析等。

参数灵敏度分析示例

考虑一个简单的模型：

$$ y = a x^2 + b x + c $$

我们想分析 y 对 a 的变化率，即求偏导： 

syms a b c x
y = a*x^2 + b*x + c;
dy_da = diff(y, a);
disp(dy_da);

输出结果： 

x^2

这说明 y 对 a 的灵敏度与 x 的平方成正比。

模型参数稳定性分析流程图（mermaid） 
graph TD
    A[定义符号参数] --> B[建立模型方程]
    B --> C[进行符号微分或积分]
    C --> D[分析参数对模型输出的影响]
    D --> E[绘制灵敏度曲线或稳定性图谱]

该流程展示了如何通过符号分析来理解模型参数的行为，从而优化模型设计。

小结

Matlab的符号计算功能为数学建模提供了强大的理论支持和实践工具。从符号变量的创建、表达式的运算与化简，到代数方程与微分方程的解析求解，再到模型公式的自动推导与参数分析，符号计算贯穿了建模的多个关键环节。通过合理使用 sym 、 syms 、 solve 、 dsolve 、 diff 、 simplify 等函数，建模者可以在模型构建初期获得清晰的数学结构和解析解，为进一步的数值仿真和优化打下坚实基础。

3. 非线性方程与微分方程数值求解

在实际的工程与科学问题中，许多模型无法通过解析方法求解，特别是当问题涉及非线性方程或复杂的微分方程时。此时，数值求解成为解决问题的核心手段。本章将详细介绍如何使用 MATLAB 进行非线性方程与常微分方程的数值求解，并通过具体案例展示其在建模中的典型应用。

3.1 非线性方程的数值解法

3.1.1 fzero 函数求解单变量非线性方程

在 MATLAB 中， fzero 是用于求解单变量非线性方程的经典函数。它基于二分法、插值法和割线法相结合的混合算法，能够在指定区间内寻找函数的零点。

语法格式： 
x = fzero(fun, x0)
  • fun ：函数句柄，表示要求解的非线性方程。
  • x0 ：初始猜测值或区间 [a, b] ，其中函数值异号。
示例代码： 
% 定义函数
fun = @(x) x^3 - 2*x - 5;

% 初始猜测值
x0 = 2;

% 调用 fzero 求解
root = fzero(fun, x0);
disp(['方程 x^3 - 2x - 5 = 0 的根为：', num2str(root)]);
逐行解读：
  • 第1行定义了一个匿名函数 fun ，表示方程 $ f(x) = x^3 - 2x - 5 $。
  • 第4行设置初始猜测值 x0 为 2。
  • 第7行调用 fzero 函数求解，返回方程的近似根。
  • 第8行使用 disp 显示结果。
参数说明：
  • fun 必须是一个返回标量的函数。
  • 若提供区间 [a, b] ，则必须满足 sign(fun(a)) ~= sign(fun(b)) ，即函数在两端异号。
精度控制：

可通过设置 optimset 控制误差容忍度： 

options = optimset('TolX', 1e-6);  % 设置解的误差限
root = fzero(fun, x0, options);

3.1.2 fsolve 函数求解多变量非线性方程组

对于多变量非线性方程组，MATLAB 提供了 fsolve 函数，它是基于牛顿-拉夫森法的迭代算法，适用于求解形式为 $ F(x) = 0 $ 的方程组。

语法格式： 
x = fsolve(fun, x0)
  • fun ：函数句柄，输入为向量 x ，输出为向量 F(x) 。
  • x0 ：初始猜测向量。
示例代码： 
% 定义非线性方程组
function F = equations(x)
    F(1) = x(1)^2 + x(2)^2 - 4;
    F(2) = x(1)*x(2) - 1;
end

% 初始猜测值
x0 = [1, 1];

% 调用 fsolve
root = fsolve(@equations, x0);
disp(['方程组的解为：x1 = ', num2str(root(1)), ', x2 = ', num2str(root(2))]);
逐行解读：
  • equations 函数定义了两个方程组成的系统：
    $ x_1^2 + x_2^2 = 4 $
    $ x_1 x_2 = 1 $
  • 第10行使用 @equations 传递函数句柄。
  • 第13行输出解向量 root 。
参数说明：
  • fun 必须返回一个与输入 x 长度相同的向量。
  • x0 的维数必须与方程组变量数一致。
  • 可通过 optimset 设置最大迭代次数、容差等： 
options = optimset('MaxIter', 1000, 'TolFun', 1e-8);
root = fsolve(@equations, x0, options);
求解流程图（mermaid）： 
graph TD
    A[定义方程组函数] --> B[设置初始猜测值]
    B --> C[调用 fsolve 函数]
    C --> D[设置求解选项]
    D --> E[获得解向量]
    E --> F[输出结果]

3.2 常微分方程的数值求解方法

3.2.1 ode45 、 ode23 等求解器的使用

MATLAB 提供了一系列用于求解常微分方程（ODE）的函数，其中 ode45 是最常用的求解器，适用于非刚性问题，采用 4/5 阶龙格-库塔法； ode23 适用于低精度需求的问题。

一般语法： 
[t, y] = ode45(odefun, tspan, y0)
  • odefun ：函数句柄，表示导数表达式。
  • tspan ：时间区间 [t0, tf] 或带中间点的时间向量。
  • y0 ：初始条件向量。
示例代码： 
% 定义 ODE 函数
function dydt = myode(t, y)
    dydt = -2 * y + sin(t);
end

% 时间区间与初始条件
tspan = [0 10];
y0 = 1;

% 调用 ode45 求解
[t, y] = ode45(@myode, tspan, y0);

% 绘图展示结果
plot(t, y);
xlabel('时间 t');
ylabel('y(t)');
title('ODE 解曲线');
逐行解读：
  • myode 函数表示导数 $ \frac{dy}{dt} = -2y + \sin(t) $。
  • 第8行调用 ode45 求解。
  • 第11-13行绘制解随时间变化的曲线。
参数说明：
  • odefun 接收时间 t 和状态 y ，返回导数 dydt 。
  • tspan 可指定输出点，如 [0:0.1:10] 。
  • y0 可以为向量，处理多变量 ODE。
求解器选择对比表：
求解器 类型 精度 适用场景
ode45 非刚性 中高 通用非刚性问题
ode23 非刚性 低 简单或低精度问题
ode113 非刚性 可变 高精度问题
ode15s 刚性 中 刚性问题
ode23s 刚性 低 简单刚性问题

3.2.2 刚性方程与隐式求解器选择

当微分方程系统中存在多个时间尺度差异极大的变量时，称为“刚性”系统（Stiff System）。此时应选择隐式求解器，如 ode15s 、 ode23s 等。

示例代码（刚性系统）： 
% 刚性 ODE 函数
function dydt = stiff_ode(t, y)
    dydt = [y(2); 1000*(1 - y(1)^2)*y(2) - y(1)];
end

% 初始条件与时间区间
tspan = [0 3000];
y0 = [2; 0];

% 使用 ode15s 求解
[t, y] = ode15s(@stiff_ode, tspan, y0);

% 绘图展示
plot(t, y(:,1), 'b', t, y(:,2), 'r--');
legend('y_1(t)', 'y_2(t)');
xlabel('时间 t');
ylabel('解');
逐行解读：
  • stiff_ode 表示一个典型的刚性系统。
  • 第11行使用 ode15s 求解器。
  • 第14-16行绘制两个变量的解曲线。
选择依据：
特征 适用求解器
非刚性，中高精度需求 ode45
非刚性，低精度 ode23
刚性系统 ode15s , ode23s
多变量、隐式方程 ode15i
刚性识别流程图（mermaid）： 
graph LR
    A[建立 ODE 模型] --> B{是否刚性？}
    B -->|是| C[使用 ode15s/ode23s]
    B -->|否| D[使用 ode45/ode23]
    C --> E[求解并绘制结果]
    D --> E

3.3 微分方程在建模中的典型应用

3.3.1 动力学系统建模案例

考虑一个简单的弹簧-质量-阻尼系统，其运动方程为：

m \ddot{x} + c \dot{x} + k x = F(t)

将该二阶方程转化为两个一阶方程：

\begin{cases}
\dot{x}_1 = x_2 \
\dot{x}_2 = \frac{1}{m}(F(t) - c x_2 - k x_1)
\end{cases}

示例代码： 
% 参数设置
m = 1; c = 0.5; k = 2;
F = @(t) sin(t);  % 外力函数

% ODE 函数
function dxdt = spring_mass(t, x)
    dxdt = [x(2); (F(t) - c*x(2) - k*x(1))/m];
end

% 初始条件与求解
tspan = [0 20];
x0 = [0; 0];
[t, x] = ode45(@spring_mass, tspan, x0);

% 绘图
plot(t, x(:,1), 'b', t, x(:,2), 'r--');
legend('位移 x(t)', '速度 v(t)');
xlabel('时间 t');
ylabel('状态');
逐行解读：
  • 第1-3行定义系统参数。
  • 第6-9行定义 ODE 函数。
  • 第12-14行调用 ode45 求解。
  • 第17-19行绘制位移与速度曲线。

3.3.2 生物模型与人口增长模拟

考虑一个经典的 Logistic 增长模型：

\frac{dP}{dt} = rP\left(1 - \frac{P}{K}\right)

其中 $ P $ 为种群数量，$ r $ 为增长率，$ K $ 为环境承载力。

示例代码： 
% 参数设置
r = 0.1; K = 1000;
P0 = 100;

% ODE 函数
function dPdt = logistic(t, P)
    dPdt = r * P * (1 - P/K);
end

% 求解
tspan = [0 100];
[t, P] = ode45(@logistic, tspan, P0);

% 绘图
plot(t, P);
xlabel('时间 t');
ylabel('种群数量 P(t)');
title('Logistic 人口增长模型');
逐行解读：
  • 第1-3行定义参数。
  • 第6-8行定义 Logistic 模型。
  • 第11-12行求解并绘制种群增长曲线。
模型演化流程图（mermaid）： 
graph TD
    A[设定参数 r, K, P0] --> B[建立 Logistic 模型]
    B --> C[编写 ODE 函数]
    C --> D[调用 ode45 求解]
    D --> E[绘制增长曲线]

本章系统地介绍了 MATLAB 中非线性方程与常微分方程的数值求解方法，涵盖了从单变量到多变量、从非刚性到刚性系统的处理策略，并通过多个典型建模案例展示了其在工程、物理与生物系统中的实际应用。下一章将介绍如何导入、清洗与预处理数据，为后续建模提供高质量输入。

4. 数据导入、清洗与预处理技术

在现代数据分析与建模过程中，数据的获取、清洗与预处理是构建高质量模型的第一步，也是决定建模效果的关键环节。本章将围绕Matlab中常用的数据导入方式、数据清洗方法以及数据标准化与特征提取技术进行深入讲解，帮助读者掌握从原始数据到可用数据的完整流程。

4.1 数据导入方法

数据导入是整个数据处理流程的起点。Matlab支持多种格式的数据导入，包括Excel、CSV、文本文件以及数据库等。掌握这些数据导入方式，可以为后续的数据分析与建模打下坚实基础。

4.1.1 Excel、CSV文件的读取

Matlab提供了多种函数用于读取Excel和CSV文件，其中最常用的是 readtable 和 xlsread 函数。

使用 readtable 读取CSV文件 
% 读取CSV文件
data = readtable('data.csv');

% 显示前几行数据
head(data)

代码逻辑分析：
- readtable ：自动识别表头，将CSV文件读入一个表格（table）结构中，便于后续操作。
- head(data) ：展示表格的前几行数据，便于快速查看导入结果。

使用 xlsread 读取Excel文件 
% 读取Excel文件中的数值数据
[num, txt, raw] = xlsread('data.xlsx', 'Sheet1');

% num: 数值型数据
% txt: 文本型数据
% raw: 原始数据（包含文本和数字的元胞数组）

参数说明：
- num ：提取的是Excel中所有数值型数据。
- txt ：提取的是所有文本型数据。
- raw ：保留原始数据结构，适用于混合型数据。

对比分析：
方法 支持格式 是否保留表头 数据结构类型
readtable CSV、Excel等 是 table
xlsread Excel 否（需手动处理） 矩阵、元胞数组

使用建议： 对于结构清晰、有表头的CSV文件推荐使用 readtable ；对于Excel文件且需精细控制读取区域的场景，建议使用 xlsread 。

4.1.2 文本与数据库数据的导入技巧

除了Excel和CSV，Matlab也支持从文本文件和数据库中导入数据。

从文本文件导入数据

使用 importdata 函数可读取文本文件（如.txt、.dat）： 

% 读取文本文件
data = importdata('data.txt');

% 查看数据内容
disp(data);

参数说明：
- data.data ：数值型数据
- data.textdata ：文本型数据
- data.colheaders ：列标题（如果有）

从数据库导入数据（以MySQL为例）

首先需安装数据库驱动（如MySQL Connector/J），然后使用 database 函数连接数据库： 

% 连接数据库
conn = database('myDB', 'username', 'password', 'Vendor', 'MySQL', 'Server', 'localhost');

% 执行SQL查询
sqlQuery = 'SELECT * FROM sales_data';
data = fetch(conn, sqlQuery);

% 关闭连接
close(conn);

代码逻辑分析：
- database ：创建数据库连接对象。
- fetch ：执行SQL语句并返回结果为表格数据。
- close ：释放数据库连接资源。

数据导入流程图（mermaid格式）： 
graph TD
    A[开始] --> B{数据来源}
    B -->|Excel| C[使用xlsread/readtable]
    B -->|CSV| D[使用readtable]
    B -->|文本文件| E[使用importdata]
    B -->|数据库| F[使用database + fetch]
    C --> G[读取数据]
    D --> G
    E --> G
    F --> G
    G --> H[结束]

4.2 数据清洗与异常处理

原始数据往往存在缺失值、异常值、重复数据等问题，直接用于建模会导致模型性能下降甚至失败。因此，数据清洗是提升模型质量的重要步骤。

4.2.1 缺失值的识别与填补

Matlab中使用 ismissing 函数识别缺失值，使用 fillmissing 进行填补。 

% 创建一个含有NaN的表格
data = table([1; 2; NaN; 4], {'A'; 'B'; NaN; 'D'}, 'VariableNames', {'NumData', 'CharData'});

% 识别缺失值
missingIdx = ismissing(data);

% 填补数值型列的缺失值为中位数
data.NumData = fillmissing(data.NumData, 'movmedian', 2);

代码逻辑分析：
- ismissing ：返回逻辑数组，标记缺失值位置。
- fillmissing ：可使用 'constant' 、 'linear' 、 'movmedian' 等方法填充。

缺失值处理方法对比：
方法 适用场景 优点 缺点
删除行 缺失比例小 简单高效 丢失信息
填充中位数 数值型连续数据 保留数据量 可能引入偏差
插值法 时间序列数据 保留趋势 对非线性数据不适用
填充常数 分类变量 易于实现 不反映真实情况

4.2.2 异常值的检测与剔除

异常值（Outliers）可能来自测量误差或极端情况，需进行识别与处理。Matlab中可通过箱型图（boxplot）或Z-score方法识别。

使用Z-score法识别异常值： 
% 计算Z-score
zscore_data = zscore(data.NumData);

% 定义异常阈值（通常为±3）
outlierIdx = abs(zscore_data) > 3;

% 显示异常值位置
find(outlierIdx)

% 替换异常值为NaN
data.NumData(outlierIdx) = NaN;

参数说明：
- zscore ：标准化数据，均值为0，标准差为1。
- abs(zscore_data) > 3 ：判断是否为异常值。

异常值处理流程图（mermaid格式）： 
graph TD
    A[开始] --> B[加载数据]
    B --> C[识别缺失值]
    C --> D{是否处理缺失值}
    D -->|是| E[填补或删除]
    D -->|否| F[继续]
    F --> G[识别异常值]
    G --> H{是否处理异常值}
    H -->|是| I[剔除或替换]
    H -->|否| J[结束]

4.3 数据标准化与特征提取

在建模前，对数据进行标准化处理和特征提取，有助于提升模型的收敛速度与泛化能力。

4.3.1 数据归一化与标准化处理

数据归一化（Min-Max）

将数据缩放到[0,1]区间： 

% 归一化处理
data_normalized = (data.NumData - min(data.NumData)) / (max(data.NumData) - min(data.NumData));
标准化（Z-score）

使数据服从标准正态分布（均值为0，标准差为1）： 

% 标准化处理
data_standardized = zscore(data.NumData);
标准化与归一化对比：
方法 公式 适用场景
Min-Max $ x’ = \frac{x - \min}{\max - \min} $ 数据分布不明确，无异常值
Z-score $ x’ = \frac{x - \mu}{\sigma} $ 数据符合正态分布

建议： 若数据中存在异常值，建议使用Z-score；若数据分布未知且无明显异常，使用Min-Max。

4.3.2 主成分分析（PCA）在降维中的应用

主成分分析（Principal Component Analysis, PCA）是一种常用的无监督降维方法，能够提取数据的主要特征。 

% 假设X为一个n×p的数据矩阵
X = randn(100, 5);  % 示例数据：100个样本，5个特征

% 进行PCA分析
[coeff, score, latent] = pca(X);

% 查看前两个主成分
reducedData = score(:, 1:2);

代码逻辑分析：
- coeff ：主成分系数矩阵（p×p）
- score ：主成分得分（n×p）
- latent ：各主成分解释的方差贡献率

PCA流程图（mermaid格式）： 
graph TD
    A[原始数据] --> B[去中心化]
    B --> C[计算协方差矩阵]
    C --> D[计算特征值与特征向量]
    D --> E[选择主成分]
    E --> F[投影到新空间]
    F --> G[降维后数据]
PCA可视化示例： 
% 绘制前两个主成分
scatter(reducedData(:,1), reducedData(:,2));
xlabel('PC1');
ylabel('PC2');
title('PCA Reduced Data');

应用建议： 在特征数量较多、存在多重共线性或需要可视化高维数据时，推荐使用PCA进行降维处理。

小结

本章系统讲解了数据导入、清洗与预处理的完整流程，涵盖Excel、CSV、文本文件及数据库的数据导入方法，深入分析了缺失值与异常值的处理策略，并介绍了数据标准化与PCA降维的核心技术。通过本章的学习，读者将具备从原始数据到建模可用数据的全流程处理能力，为后续的建模与分析奠定坚实基础。

5. 二维/三维数据可视化技术

数据可视化是数学建模与科学计算中极为关键的一环。它不仅能帮助我们理解数据的分布特征，还能用于模型结果的展示与验证。Matlab 提供了强大的绘图功能，涵盖从二维图形到三维曲面、从静态图像到动态动画的多种可视化方式。本章将深入探讨 Matlab 中二维与三维图形的绘制方法、图形标注技巧、颜色映射设置以及动态可视化实现。

5.1 二维图形绘制

二维图形是数据可视化中最基础、最常用的形式，主要包括折线图、散点图、直方图等。Matlab 提供了丰富的绘图函数，如 plot 、 scatter 、 bar 、 histogram 等，适用于不同类型的数据展示。

5.1.1 折线图、散点图与直方图的绘制

折线图

折线图通常用于展示变量随时间或其他连续变量的变化趋势。例如，我们可以绘制一个正弦函数的折线图： 

x = 0:0.1:2*pi;
y = sin(x);
plot(x, y, 'b-', 'LineWidth', 2);

逐行解释：

  • x = 0:0.1:2*pi; ：定义 x 轴从 0 到 2π，步长为 0.1。
  • y = sin(x); ：计算每个 x 对应的正弦值。
  • plot(x, y, 'b-', 'LineWidth', 2); ：绘制蓝色实线折线图，线宽为 2。
散点图

散点图用于展示两个变量之间的关系，适合用于观察数据点的分布情况： 

x = randn(100, 1);
y = randn(100, 1);
scatter(x, y, 'filled', 'MarkerFaceColor', [0.5 0.5 1]);

逐行解释：

  • x = randn(100, 1); ：生成 100 个标准正态分布的随机数作为 x 值。
  • y = randn(100, 1); ：同理生成 y 值。
  • scatter(x, y, 'filled', 'MarkerFaceColor', [0.5 0.5 1]); ：绘制填充式散点图，颜色为浅蓝色。
直方图

直方图用于展示数据的分布频率，例如展示正态分布的样本分布情况： 

data = randn(1000, 1);
histogram(data, 30, 'FaceColor', [0.7 0.7 1], 'EdgeColor', 'k');

逐行解释：

  • data = randn(1000, 1); ：生成 1000 个正态分布样本。
  • histogram(data, 30, 'FaceColor', [0.7 0.7 1], 'EdgeColor', 'k'); ：将数据分为 30 个 bins，并设置柱体颜色和边框颜色。

5.1.2 图形标注与图例设置

良好的图形标注是数据可视化的重要组成部分，包括坐标轴标签、标题、图例、网格线等。

添加坐标轴标签与标题 
xlabel('时间（秒）');
ylabel('振幅');
title('正弦波形图');
grid on;

参数说明：

  • xlabel ：设置 x 轴标签。
  • ylabel ：设置 y 轴标签。
  • title ：添加图形标题。
  • grid on ：开启网格线，便于数据读取。
图例设置

当图形中包含多条曲线时，使用 legend 函数添加图例： 

x = 0:0.1:2*pi;
y1 = sin(x);
y2 = cos(x);
plot(x, y1, 'r-', x, y2, 'b--');
legend('sin(x)', 'cos(x)', 'Location', 'best');

逻辑分析：

  • 绘制两条曲线：正弦和余弦。
  • legend 添加图例，位置自动选择最优。
示例：综合绘制带标注的图形 
figure;
x = 0:0.1:2*pi;
y1 = sin(x);
y2 = cos(x);

plot(x, y1, 'r-', x, y2, 'b--');
xlabel('角度 (rad)');
ylabel('值');
title('三角函数对比图');
legend('sin(x)', 'cos(x)');
grid on;

5.2 三维图形与曲面可视化

三维图形用于展示具有三个维度的数据，常见于物理模拟、地形建模等领域。Matlab 提供了 mesh 、 surf 、 contour 等函数来实现三维绘图。

5.2.1 mesh、surf等三维绘图函数的应用

mesh 函数

mesh 用于绘制网格曲面图，适合展示函数表面的结构。 

[X,Y] = meshgrid(-2:0.1:2);
Z = X.*exp(-X.^2 - Y.^2);
mesh(X,Y,Z);

逐行解释：

  • [X,Y] = meshgrid(-2:0.1:2); ：生成二维网格数据。
  • Z = X.*exp(-X.^2 - Y.^2); ：计算每个点的 Z 值。
  • mesh(X,Y,Z); ：绘制三维网格图。
surf 函数

surf 绘制带颜色填充的曲面图，视觉效果更强： 

surf(X,Y,Z);
shading interp;
colorbar;

参数说明：

  • shading interp ：启用插值着色，使颜色过渡平滑。
  • colorbar ：显示颜色条，表示 Z 值大小。
示例：绘制马鞍面函数 
[x,y] = meshgrid(-3:0.1:3);
z = x.^2 - y.^2;
surf(x,y,z);
title('马鞍面');
xlabel('x');
ylabel('y');
zlabel('z');

5.2.2 等高线图与颜色映射设置

等高线图

等高线图（contour）用于展示三维曲面在二维平面上的投影： 

contour(X,Y,Z,20);
colorbar;
title('等高线图');

参数说明：

  • contour(X,Y,Z,20) ：绘制 20 条等高线。
  • colorbar ：添加颜色条。
颜色映射设置

Matlab 提供多种颜色映射方案，如 jet 、 hot 、 cool 、 gray 等： 

colormap('jet');
colorbar;

代码逻辑：

  • colormap('jet') ：设置颜色映射为 jet 模式（红-黄-蓝渐变）。
  • colorbar ：显示当前颜色条。
示例：三维曲面与等高线组合展示 
figure;
subplot(1,2,1);
surf(X,Y,Z);
title('三维曲面图');

subplot(1,2,2);
contour(X,Y,Z,20);
title('等高线图');

5.3 动态可视化与动画制作

动态可视化能展示数据随时间变化的过程，常用于模拟轨迹、物理运动等场景。Matlab 提供了 animatedline 、 drawnow 、 getframe 、 movie 等工具支持动态绘图。

5.3.1 动态轨迹模拟与实时绘图

实时绘制质点运动轨迹 
h = animatedline;
axis([0 4*pi -1 1]);
for t = 0:0.01:4*pi
    x = t;
    y = sin(t);
    addpoints(h, x, y);
    drawnow limitrate;
end

逐行解释：

  • h = animatedline; ：创建一个动态线对象。
  • axis([0 4*pi -1 1]); ：设定坐标轴范围。
  • for t = 0:0.01:4*pi ：循环生成时间点。
  • addpoints(h, x, y); ：添加点到动态线中。
  • drawnow limitrate; ：刷新图像，控制帧率。
示例：绘制粒子运动轨迹动画 
figure;
h = animatedline('Marker', 'o', 'MarkerFaceColor', 'g');
axis([0 10 -1 1]);
grid on;
for t = 0:0.05:10
    x = t;
    y = sin(x);
    addpoints(h, x, y);
    drawnow;
end

5.3.2 使用 Movie 函数制作动画

Matlab 支持将多个帧保存为动画并播放。

使用 getframe 和 movie 制作动画 
for k = 1:20
    plot(sin(2*pi*k/20 + (0:0.01:2*pi)));
    axis([0 6.28 -1 1]);
    M(k) = getframe;
end
movie(M, 2); % 播放两遍

逐行解释：

  • for k = 1:20 ：循环生成 20 帧。
  • M(k) = getframe; ：捕获当前图像帧。
  • movie(M, 2); ：播放动画两遍。
示例：制作正弦波传播动画 
x = 0:0.01:2*pi;
for k = 1:50
    y = sin(x + 0.2*k);
    plot(x, y);
    axis([0 2*pi -1 1]);
    grid on;
    M(k) = getframe;
end
movie(M, 2);

流程图：动画制作流程 

graph TD
    A[初始化图形窗口] --> B[设置循环帧数]
    B --> C[绘制每一帧图像]
    C --> D[捕获图像帧]
    D --> E[存储帧数据]
    E --> F[使用 movie 播放动画]

本章从二维图形的绘制与标注入手，深入讲解了三维图形的生成与颜色映射配置，并拓展至动态可视化与动画制作技术。Matlab 强大的图形功能不仅提升了模型结果的可读性，也为科学计算和工程分析提供了直观的展示方式。下一章我们将进入 M 文件的编写与算法封装，进一步提升建模与编程的效率与规范性。

6. 自定义算法与M文件编写技巧

6.1 M文件的基本结构与类型

在 MATLAB 中，M 文件是用户编写自定义算法和函数的核心工具。它分为两种类型： 脚本文件（Script File） 和 函数文件（Function File） 。

6.1.1 脚本文件与函数文件的区别

  • 脚本文件 ：不接受输入参数，也不返回输出参数。它主要用于执行一系列命令，适用于快速测试或一次性任务。
  • 函数文件 ：以 function 关键字开头，支持输入参数和输出参数，适合封装可重用的代码逻辑。
示例：脚本文件 vs 函数文件 
% script_example.m（脚本文件）
a = 5;
b = 10;
c = a + b;
disp(['Sum is ', num2str(c)]);

% function_example.m（函数文件）
function result = add_numbers(x, y)
    % add_numbers 将两个数相加
    result = x + y;
end

调用函数文件： 

sum_result = add_numbers(3, 7);
disp(['Function result: ', num2str(sum_result)]);

6.1.2 函数参数传递与返回值处理

MATLAB 支持多种参数传递方式：

  • 位置参数 ：按顺序传入参数。
  • 可变数量参数 ：使用 varargin 和 varargout 。
  • 结构体参数 ：适用于参数较多时，提高可读性。
示例：使用 varargin 实现可变参数函数 
function result = sum_numbers(varargin)
    % sum_numbers 支持任意数量输入参数求和
    result = sum([varargin{:}]);
end

调用示例： 

disp(sum_numbers(1, 2, 3, 4));  % 输出 10

6.2 自定义算法的封装与调试

6.2.1 自定义函数的设计规范

良好的函数设计应遵循以下原则：

  • 单一职责原则 ：每个函数只完成一个任务。
  • 接口清晰 ：输入输出参数明确。
  • 注释完整 ：添加帮助文档，便于他人调用。
示例：规范的函数注释 
function y = quadratic(a, b, c)
    % QUADRATIC 解一元二次方程 ax^2 + bx + c = 0
    % 输入：
    %   a - 二次项系数
    %   b - 一次项系数
    %   c - 常数项
    % 输出：
    %   y - 方程的实数解，若无解则返回空数组
    %
    % 示例：
    %   >> quadratic(1, -3, 2)
    %   ans = [2, 1]
    delta = b^2 - 4*a*c;
    if delta < 0
        y = [];
    else
        y = [(-b + sqrt(delta))/(2*a), (-b - sqrt(delta))/(2*a)];
    end
end

6.2.2 程序调试与错误处理技巧

MATLAB 提供了丰富的调试工具，包括断点设置、变量观察、逐步执行等。此外，建议使用 try-catch 结构进行错误处理。

示例：使用 try-catch 捕获错误 
try
    result = 1 / 0;
catch ME
    disp(['发生错误：', ME.message]);
end

输出： 

发生错误：Division by zero.

6.3 模块化编程与代码复用

6.3.1 程序结构优化与模块划分

模块化编程可以提高代码的可读性与维护性。建议将复杂问题分解为多个功能模块，每个模块封装为独立函数。

示例：模块化设计 
% main.m
data = load_data('input.txt');
processed = preprocess(data);
result = analyze(processed);
save_result(result, 'output.txt');

每个模块分别保存为单独的 .m 文件： 

% load_data.m
function data = load_data(filename)
    data = importdata(filename);
end

% preprocess.m
function processed = preprocess(data)
    processed = data(data > 0);  % 去除负值
end

% analyze.m
function result = analyze(data)
    result.mean = mean(data);
    result.std = std(data);
end

% save_result.m
function save_result(result, filename)
    save(filename, 'result');
end

6.3.2 工具箱函数的封装与调用

为了便于复用，可以将常用函数封装成工具箱，并使用 addpath 添加路径。

示例：封装工具箱并调用
  1. 创建工具箱目录 my_toolbox/ ，放入常用函数如 my_mean.m , my_std.m 。
  2. 在主程序中添加路径： 
addpath('my_toolbox');  % 添加路径
result.mean = my_mean(data);
result.std = my_std(data);

这种方式有助于构建可扩展、可维护的 MATLAB 项目架构。

本文还有配套的精品资源，点击获取 menu-r.4af5f7ec.gif

简介：Matlab作为数学建模中的核心工具，具备强大的数值计算能力、丰富的数学函数库和直观的图形界面，被广泛应用于模型构建与分析。本教程为系列课程第六讲，聚焦Matlab在数学建模中的实际应用，内容涵盖模型建立、数值求解、数据处理、可视化展示、算法实现、系统仿真、代码优化等多个方面。通过具体代码实例，帮助学习者掌握从理论到实践的完整建模流程，提升解决实际问题的能力。


本文还有配套的精品资源，点击获取
menu-r.4af5f7ec.gif

评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值