MATLAb如何设置坐标显示单位长度

marker是图上画上点的地方表上符号，不如点，方框，圆框，十字，星号，等等后面的size就是其大小了，不知道值的话，可以画完图点编辑框上面的箭头，然后双击画的图，下面出现属性框，marker项后面的数字下拉菜单就是size,选择合适的大小，今后就用这个值就行。默认的是6(见附图)画图的命令是：plot([1,2,3,4],[2,5,6,9],"-pentagram","markersize",35)按下面的表pentagram是五角星。下面是画图的颜色和线型，matlab中画图的颜色字母颜色标点线型m粉红·点线r大红＋＋字线y黄色○圈线g绿色××线c亮蓝－实线b蓝色*星形线w白色：虚线k黑色－·(--)点划线matlab6.1线形:[+|o|*|.|x|square|diamond|v|^|>|<|pentagram|hexagram]square正方形diamond菱形pentagram五角星hexagram六角星

x=1:6;y=sqrt(x);plot(x,y,".","markersize",50)

写的时候plot(x,y,"+","MarkerSize",7)假如先这么写，演算一下再加个linewidth：plot(x,y,"+","MarkerSize",7,"linewidth",2)或者plot(x,y,"--+","MarkerSize",7,"linewidth",2)这个时候再看发现确实是粗了，但是我们第一个也没写要画线line啊。。所以可能两者是一致的，可以试试

应该对你有帮助的!很高兴为您解答。可以通过，调节plot函数中的LineWidth参数来实现。有LineWidth这个参数可以设置，下面是matlab官方的例子x=-pi:pi/10:pi;y=tan(sin(x))-sin(tan(x));plot(x,y,"--rs","LineWidth",2,..."MarkerEdgeColor","k",..."MarkerFaceColor","g",..."MarkerSize",10)其中，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xx形o小圆颜色：y黄；r红；g绿；b蓝；w白；k黑；m紫；c青.

设置线宽度(LineWidth)，标记点的边缘颜色(MarkerEdgeColor)，填充颜色 (MarkerFaceColor)及标记点的大小(MarkerSize)例:设置绘图线的线型,颜色,宽度,标记 点的颜色及大小：t=0:pi/20:pi;y=sin(4*t).*sin(t)/2;plot(t,y,"-bs","LineWidth",2,... %设置线的宽度为2"MarkerEdgeColor","k",... %设置标记点边缘颜色为黑色"MarkerFaceColor","y",... %设置标记点填充颜色为黄色"MarkerSize",10) %设置标记点的尺寸为10

在图上点选之 会弹出框可以修改或者 在编程中定义marker 时，附加大小，如（"s ",2）

使用 %

subplot就是将Figure中的图像划分为几块，每块当中显示各自的图像，有利于进行比较。比如Example里面有这样的例子income = [3.2 4.1 5.0 5.6];outgo = [2.5 4.0 3.35 4.9];subplot(2,1,1); plot(income)subplot(2,1,2); plot(outgo)先用subplot划分Figure为2*1的区域，上面一个显示income，下面一个显示outgo。subplot的格式为（行数，列数，第几个区域的位置），不加逗号也是可以的。

假设你用的是 h=plot(x,y,"o-")上边画出的图应该是用线穿起来的圆圈，要想让点变大点呢，就： set(h,"MarkerSize",10);%默认大小为6；要想让圆圈的线变粗点呢，就： set(h,"LineWidth",2);%默认宽度是0.5；如果把边缘的颜色变一下呢，就： set(h,"MarkerEdgeColor","g");%默认颜色是蓝色；如果想给点涂上颜色呢，就： set(h,"MarkerFaceColor","g");%默认颜色是白色。还有问题么？~按照你这个追问，我回答不了，图像的变形不是随便几句就能搞定的事哦

势必会让他和你染头发

一段标准的代码段进行展示如何构造出相应的数据。x=-1:0.1:1;y=-1:0.1:1;[xx,yy]=meshgrid(x,y);zz=xx.*exp(-xx.^2-yy.^2);surf(xx,yy,zz);12345其中meshgrid的作用就是生成网格（矩阵）数据xx，yy。matlab学习知识

每画好一个图后drawnow一下（或者pause一下指定的时间），再画下一个图，用for循环画。下面只是一个小例子，你自己依葫芦画瓢即可n=-2:0.01:2;x=linspace(-pi,pi);for k=n plot(x,sin(k*x)); drawnow;end

注释用的！

x0为初始解向量；xdata，ydata为满足关系ydata=F(x, xdata)的数据；lb、ub为解向量的下界和上界 ，若没有指定界，则lb=[ ]，ub=[ ]；options为指定的优化参数；fun为拟合函数，其定义方式为：x = lsqcurvefit(@myfun,x0,xdata,ydata)，其中myfun已定义为 function F = myfun(x,xdata)F = … % 计算x处拟合函数值fun的用法与前面相同；resnorm=sum ((fun(x,xdata)-ydata).^2)，即在x处残差的平方和；residual=fun(x,xdata)-ydata，即在x处的残差；exitflag为终止迭代的条件；output为输出的优化信息；lambda为解x处的Lagrange乘子；jacobian为解x处拟合函数fun的jacobian矩阵。

legend("","fontsize",15)

直接使用10^x，10e5=10^6<p>阶跃函数的命令是heaviside</p><p>此命令得到的值在0处是一个“非数”NaN</p><p>clear all;clc;n=-5:25;fn=heaviside(n-10);plot(n,fn,".r","Markersize",15);grid on;hold on;</p><p></p><p></p><p>如果你想自己定义n=10处的数值，比如0.5</p><p>倒是可以画图，但命令实际给不出来的。也不合规矩的，是吧。</p><p>只是给你说一下。后面可以加一句：</p><p>plot(10,0.5,".r","Markersize",15);</p><p></p>

问题一：大哥们这跳棋棋盘怎么画啊　 没有尺寸。这东西真画起来应该还是蛮简单的，都是基本功。画个六角，除料一条边上三角，然后阵列就等到除了孔外的基本样子了。孔的话嘛，不知道直接填充阵列行不行？你可以试试。 问题二：跳棋棋盘怎么画 画两个大的等边三角形，然后两个三角形交叉。 问题三：跳棋格子图怎么画 问题四：用matlab怎么画类似跳棋的棋盘图？ clc;clear %p=zeros(6,2); R=10; p=[R*cos((0:5)"*pi/3+pi/6),R*sin((0:5)"*pi/3+pi/6)]; plot(p(:,1),p(:,2),"b.","markersize",60) hold on axis equal axis off e1=(p(5,:)-p(1,:))/12; e2=(p(5,:)-p(3,:))/12; for i=1:12 p1=(i-1)*e1+p(1,:); p2=(i-1)*e2+p(3,:); ep1p2=(p2-p1)/(12-i+1); for j=0:12-i+1 pp=p1+ep1p2*j; plot(pp(1),pp(2),"b.","markersize",40) end end e1=(p(6,:)-p(2,:))/12; e2=(p(6,:)-p(4,:))/12; for i=1:12 p1=(i-1)*e1+p(2,:); p2=(i-1)*e2+p(4,:); ep1p2=(p2-p1)/(12-i+1); for j=0:12-i+1 pp=p1+ep1p2*j; plot(pp(1),pp(2),"b.","markersize",40) end end 问题五：画跳棋图纸 如图所示，跳棋就是图片这样的。 问题六：六角跳棋图纸怎么画,里面线跳怎么画 最后一步就是在各行之间再画一道线即可 问题七：跳棋，画出每个棋子跳的新位置。 您好，您说的是这图片这样的跳棋吗？这样的跳棋开局的时候不是每个棋子都能跳，是第三行的棋子跳过第四行的棋子。您还有什么不明白的，只要您再问我，我一定努力给您讲解。 问题八：登山小游戏跳棋怎么画 你好，下面这个站点的小游戏比较新，种类也比较多，要什么都有哦。h5uc/?=wd 问题九：自制亲子棋跳棋怎么做 取一盆水，将废旧纸放入，浸泡两天 两天后，废纸已被浸泡成纸浆；将纸浆放入圆锥形模具，压紧成型，跳棋需30个，可以多压制几个，备用（防以后丢失或损坏，(*^__^*) 嘻嘻……）。压制好后晾干。 晾干后，上色，每种颜色涂10个 画棋盘，用直尺、圆规，可以先用铅笔，画好后再用彩笔涂好六个角区域。完成啦！

X=[1 2 3 4 5];Y=[1.2 2.3 3 1.4 5];y1={"a" "b" "c" "d" "r"};%plot_number 以绘制X,Y二维散点图并标出序号plot(X,Y,"r.") %绘制散点图hold onfor i=1:max(size(X))c = y1(i);%字符text(X(i),Y(i),c);%在图上显示文字endhold off

拟合函数表达式是咋么的，是多项式还是指数，是1次函数还是二次函数？？

QX=plot(x,y); %绘图xlabel("xxxxxx");ylabel("yyyyy");title("ttttt");set(QX,"LineWidth",1.0); %将图中的曲线加粗，1.0表示线的粗细set(gca,"FontSize",20); %改变图中坐标的大小 20表示坐标显示的大小set(get(gca,"XLabel"),"FontSize",20); %改变图中x轴的说明文字的大小 20表示说明文字的大小set(get(gca,"YLabel"),"FontSize",20); %改变图中y轴的说明文字的大小 20表示说明文字的大小set(get(gca,"title"),"FontSize",20); %改变图中title说明文字的大小 20表示说明文字的大小print(1,"-djpeg","D:plxy.jpeg"); %保存图像

下面是一个k-means聚类算法在python2.7.5上面的具体实现，你需要先安装Numpy和Matplotlib：from numpy import *import timeimport matplotlib.pyplot as plt# calculate Euclidean distancedef euclDistance(vector1, vector2):return sqrt(sum(power(vector2 - vector1, 2)))# init centroids with random samplesdef initCentroids(dataSet, k):numSamples, dim = dataSet.shapecentroids = zeros((k, dim))for i in range(k):index = int(random.uniform(0, numSamples))centroids[i, :] = dataSet[index, :]return centroids# k-means clusterdef kmeans(dataSet, k):numSamples = dataSet.shape[0]# first column stores which cluster this sample belongs to,# second column stores the error between this sample and its centroidclusterAssment = mat(zeros((numSamples, 2)))clusterChanged = True## step 1: init centroidscentroids = initCentroids(dataSet, k)while clusterChanged:clusterChanged = False## for each samplefor i in xrange(numSamples):minDist = 100000.0minIndex = 0## for each centroid## step 2: find the centroid who is closestfor j in range(k):distance = euclDistance(centroids[j, :], dataSet[i, :])if distance < minDist:minDist = distanceminIndex = j## step 3: update its clusterif clusterAssment[i, 0] != minIndex:clusterChanged = TrueclusterAssment[i, :] = minIndex, minDist**2## step 4: update centroidsfor j in range(k):pointsInCluster = dataSet[nonzero(clusterAssment[:, 0].A == j)[0]]centroids[j, :] = mean(pointsInCluster, axis = 0)print "Congratulations, cluster complete!"return centroids, clusterAssment# show your cluster only available with 2-D datadef showCluster(dataSet, k, centroids, clusterAssment):numSamples, dim = dataSet.shapeif dim != 2:print "Sorry! I can not draw because the dimension of your data is not 2!"return 1mark = ["or", "ob", "og", "ok", "^r", "+r", "sr", "dr", "<r", "pr"]if k > len(mark):print "Sorry! Your k is too large! please contact Zouxy"return 1# draw all samplesfor i in xrange(numSamples):markIndex = int(clusterAssment[i, 0])plt.plot(dataSet[i, 0], dataSet[i, 1], mark[markIndex])mark = ["Dr", "Db", "Dg", "Dk", "^b", "+b", "sb", "db", "<b", "pb"]# draw the centroidsfor i in range(k):plt.plot(centroids[i, 0], centroids[i, 1], mark[i], markersize = 12)plt.show()

程序如下（假设你的txt文件的名称为：datas.txt，自己把这个txt文件放到路径下面）： A=load("datas.txt"); plot(A(:,1),A(:,2),"s","markersize",5); grid on xlabel("....自己写...") ylabel(".....自己写....") title("......自己写......")

close all; clear all;x = -10:10;y = sin(x);figure;hold on;plot(x,y,"color","r");for n = 1:length(x)if( (x(n)==-6) || (x(n)==-2) || (x(n)==0) || (x(n)==10))plot(x(n),y(n), "Marker",".", "MarkerSize",20, "color","b");elseplot(x(n),y(n),"Marker","o", "MarkerSize",7, "color","r")endend拓展：1、MATLAB 是美国MathWorks公司出品的商业数学软件，用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境，主要包括MATLAB和Simulink两大部分。2、MATLAB是matrix&laboratory两个词的组合，意为矩阵工厂(矩阵实验室)。是由美国mathworks公司发布的主要面对科学计算、可视化以及交互式程序设计的高科技计算环境。它将数值分析、矩阵计算、科学数据可视化以及非线性动态系统的建模和仿真等诸多强大功能集成在一个易于使用的视窗环境中，为科学研究、工程设计以及必须进行有效数值计算的众多科学领域提供了一种全面的解决方案，并在很大程度上摆脱了传统非交互式程序设计语言(如C、Fortran)的编辑模式，代表了当今国际科学计算软件的先进水平。

%随机获取100个点X =[randn(100,2)+ones(100,2);randn(100,2)+[ones(100,1),-ones(100,1)]];opts =statset("Display","final");%调用Kmeans函数%X N*P的数据矩阵%Idx N*1的向量,存储的是每个点的聚类标号%Ctrs K*P的矩阵,存储的是K个聚类质心位置%SumD 1*K的和向量,存储的是类间所有点与该类质心点距离之和%D N*K的矩阵，存储的是每个点与所有质心的距离;[Idx,Ctrs,SumD,D] =kmeans(X,2,"Replicates",2,"Options",opts);%画出聚类为1的点。X(Idx==1,1),为第一类的样本的第一个坐标；X(Idx==1,2)为第二类的样本的第二个坐标plot(X(Idx==1,1),X(Idx==1,2),"r.","MarkerSize",14)hold onplot(X(Idx==2,1),X(Idx==2,2),"b.","MarkerSize",14)%绘出聚类中心点,kx表示是圆形plot(Ctrs(:,1),Ctrs(:,2),"kx","MarkerSize",14,"LineWidth",4)plot(Ctrs(:,1),Ctrs(:,2),"kx","MarkerSize",14,"LineWidth",4)plot(Ctrs(:,1),Ctrs(:,2),"kx","MarkerSize",14,"LineWidth",4)legend("Cluster 1","Cluster2","Center 1","Center 2","Location","NW")CtrsSumD

x=1:4;y=x;scatter(x,y,200)%200是随便给的，自己可调，点的形状，颜色可在后续的属性中添加

是的，函数句柄的定义方式其实和函数是一样的要加点的：f=@(x,y)(x-c1).^2/a^2+(y-c2).^2/b^2-1是对的

做如下改动：（1）将x，y全用x(k),y(k)表示（2）新生成变量tx，ty（3）用tx，ty画星形线程序在附件结果如下：

可以在画图的properties的选项中进行设置。如果是为了比较明显的显示出标识，又不至于标识太大，可以考虑改变标识与线段的形状和颜色。

plot (x,y,"markersize",2)change 2 to a smaller number will result 细线条.网格虚线的图 "--" Dashed line"-." Dash-dot lineplot (x,y,"-.","markersize",2)

如果你是x1，x2都取一个的话，x1=rand(1,10);x2=rand(1,10);[xx,yy]=meshgrid(x1,x2);plot(xx,yy,"d"); % if 4*q1(i)>q2(j) %我记得好像这样是不会有效果的！你可以在循环中保存数据，计算完了一次%作图，% if (a1(i)<=a2(i,j) & a1(i)<=a31(i,j)) %不能有;% plot(q1(i),q2(j),"s","markersize",10)% elseif (a2(i,j)<=a1(i) & a2(i,j)<=a31(i,j))% plot(q1(i),q2(j),"mh","markersize",10)% else plot(q1(i),q2(j),"mn","markersize",10)% end% end% hold on 一个是在循环中，不要被覆盖！% end

方法：设置plot()函数的"LineWidth"参数即可设置线条的粗细。另外，还可以设置绘图曲线的颜色，散点样式等："MarkerEdgeColor"—散点的边框颜色"MarkerFaceColor"—散点的填充颜色"MarkerSize"—散点的大小下面进行实例演示：1、打开matlab，输入如下代码计算绘图的散点数据>> x = 0:pi/20:2*pi;>> y1 = sin(x);>> y2 = 0.5*sin(x);2、画图并设置线条粗细>> plot(x,y,"LineWidth",4) % 设置线条宽度为43、设置散点样式>> plot(x,y*0.5,"bd:","LineWidth",4","MarkerEdgeColor","r","MarkerFaceColor","y","MarkerSize",10)设置三点边框为红色，填充黄色，大小为104、绘图效果如下

设置线宽度(LineWidth)，标记点的边缘颜色(MarkerEdgeColor)，填充颜色 (MarkerFaceColor)及标记点的大小(MarkerSize)例:设置绘图线的线型,颜色,宽度,标记 点的颜色及大小：t=0:pi/20:pi;y=sin(4*t).*sin(t)/2;plot(t,y,"-bs","LineWidth",2,... %设置线的宽度为2"MarkerEdgeColor","k",... %设置标记点边缘颜色为黑色"MarkerFaceColor","y",... %设置标记点填充颜色为黄色"MarkerSize",10) %设置标记点的尺寸为10

改成set(gca,"ylim",[0 10]);但是这样y2=[-0.52 2.10 2.82 6.20 ];就画不出来了-0.52

计算FT 和DTFT 的方法% 显示连续时间信号subplot（221）； plot（t*1000，xa）； grid；xlabel（"t"）； ylabel（"xa（t）"）； title（"连续时间信号"）；% 计算付里叶积分并显示fmax = 2000； Wmax=2*pi*fmax； K=1000； k=-K：1：K； W=k*Wmax/K；% Xa=xa*exp（-j*t"*W）*Dt； % Xa 是行向量（第12行）Xa=exp（-j*W"*t）*xa"*Dt； % Xa 是列向量（第13行）subplot（222）； plot（W/（2*pi），Xa）； grid； % 以f（Hz） 作为频率轴xlabel（"归一化频率"）； ylabel（"Xa（w）"）； title（"付里叶积分"）；% 对连续时间信号采样Ts=0.0002； n=-25：1：25； x = exp（-1000*abs（n*Ts））；subplot（223）； H = stem（n*Ts*1000，x）； set（H，"markersize"，2）； grid； axis（-5，5，0，1.1）；xlabel（"n"）； ylabel（"x（n）"）； title（"对连时间信号采样"）；% 计算DTFT 并显示fs = 1/Ts； f = 2000； K=1000； k=-K：1：K； N = 200； w=（2*pi*（f/fs）*k/K）；X=x*exp（-j*n"*w）； % X 是行向subplot（224）；plot（w*fs/（2*pi），X*Ts）； grid； % 以f（Hz） 作为频率轴xlabel（"归一化频率"）； ylabel（"X * Ts"）； title（"离散付里叶变换"）；% 显示计算误差% a = abs（Xa）-abs（X*Ts）； % Xa 和a 都是行向量（第23行）

clc,clear % 清屏x=[7.0 10.5 13.0 17.5 34 40.5 44.5 48 56 61 68.5 76.5 80.5 91 96 101 104 106 111.5 118 123.5 136.5 142 146 150 157 158];y1=[44 45 47 50 50 38 30 30 34 36 34 41 45 46 43 37 33 28 32 65 55 54 52 50 66 66 68];y2=[44 59 70 72 93 100 110 110 110 117 118 116 118 118 121 124 121 121 121 122 116 83 81 82 86 85 68];plot(x,y1,"k.","markersize",25); % 画出原数据的图像hold on % 将多组数据显示在一张图像里plot(x,y2,"k.","markersize",25);hold ont=7:0.5:158;u1=interp1(x,y1,t,"cubic"); % 插值（cubic意为三次函数差值）plot(t,u1); % 画出插值后的图像hold onu2=interp1(x,y2,t,"cubic");plot(t,u2);S1=[trapz(x,y2)-trapz(x,y1)]*2222*2222 % trapz意为采用梯形法求积分，积分后得到y2与y1之间围成的面积S2=[trapz(t,u2)-trapz(t,u1)]*2222*2222

check if you can play with the following code:r=0:5:460;t=0:0.01:2*pi;figure(1);for i=0:1:360; hold off plot(0,0,".","markersize",5); hold on plot(max(r)*cos(t),max(r)*sin(t),"g-.","markersize",1,"linewidth",1); plot(max(r)/2*cos(t),max(r)/2*sin(t),"g-.","markersize",1,"linewidth",1); axis([-1,1,-1,1]*max(r)*11/10,"square"); whitebg([0 0 0]) plot(r*cos(i/360*2*pi),r*sin(i/360*2*pi),".","color","g","markersize",1); pause(0.02); drawnow();end;

fgggggggggg

画图是Stata的强项之一，不是因为直接输出的图很好看，而是因为功能强大，图中的绝大部分元素都可以进行调整。建议修改legend, xlabel, ylabel, graphregion, plotregion等选项。比如一个简单的调整, ylabel(#5, angle(horizontal) nogrid) xlabel(0(100)800) legend(rows(2)) graphr(style(plotregion))

% 主程序%遗传算法主程序%Name:genmain.m%author：杨幂clearclf%%初始化popsize=50; %群体大小chromlength=30; %字符串长度（个体长度）pc=0.6; %交叉概率pm=0.1; %变异概率pop=initpop(popsize,chromlength); %随机产生初始群体%%开始迭代for i=1:20 %20为迭代次数[objvalue]=calobjvalue(pop); %计算目标函数fitvalue=calfitvalue(objvalue); %计算群体中每个个体的适应度[newpop]=selection(pop,fitvalue); %复制[newpop]=crossover(pop,pc); %交叉[newpop]=mutation(pop,pm); %变异[bestindividual,bestfit]=best(pop,fitvalue); %求出群体中适应值最大的个体及其适应值y(i)=max(bestfit);%储存最优个体适应值n(i)=i;pop5=bestindividual;%储存最优个体%解码x1(i)=decodechrom(pop5,1,chromlength/2)*2/32767;x2(i)=10+decodechrom(pop5,chromlength/2+1,chromlength/2)*10/32767;pop=newpop;%将新产生的种群作为当前种群end%%绘图figure(1)%最优点变化趋势图i=1:20;plot(y(i),"-r*")xlabel("迭代次数");ylabel("最优个体适应值");title("最优点变化趋势");legend("最优点");grid onfigure(2)%最优点分布图[X1,X2]=meshgrid(0:0.1:2,10:0.1:20);Z=X1.^2+X2.^2;mesh(X1,X2,Z);xlabel("自变量x1"),ylabel("自变量x2"),zlabel("函数值f(x1,x2)");hold onplot3(x1,x2,y,"ro","MarkerEdgeColor","r","MarkerFaceColor","r","MarkerSize",5)title("最优点分布");legend("最优点");hold off[z index]=max(y); %计算最大值及其位置x5=[x1(index),x2(index)]%计算最大值对应的x值z

plot(X(1,:),X(2,:),".","markersize",30)这里引用了X这个矩阵第一行和第二行，要用这些数据画图，那X什么地方被赋值过了？你的代码里面从来没对X赋值。所以报错未定义的变量X (Undefined variable X.)

指数拟合，设y=Ce^(Ax)function z=E(u)A=u(1);C=u(2);Z=(C-18).^2+(C.*ecp(20A)-17.586.^2+(C.*exp(40*A)-17.136).^2+......+(C.exp(190*A)-13.896).^2；再然后用fmins("E",[1,1])求Z的最小值可以得到A和C的值

程序%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%clf;t=6*pi*(0:100)/100;y=1-exp(-0.3*t).*cos(0.7*t);plot(t,y,"r-","LineWidth",3)%<3>hold ontt=t(find(abs(y-1)>0.05));ts=max(tt);%<5>plot(ts,0.95,"bo","MarkerSize",10)%<6>hold offaxis([-inf,6*pi,0.6,inf])set(gca,"Xtick",[2*pi,4*pi,6*pi],"Ytick",[0.95,1,1.05,max(y)])%<9>set(gca,"XtickLabel",{"2*pi";"4*pi";"6*pi"})%<10>set(gca,"YtickLabel",{"0.95";"1";"1.05";"max(y)"})%<11>grid ontext(13.5,1.2,"fontsize{12}{alpha}=0.3")%<13>text(13.5,1.1,"fontsize{12}{omega}=0.7")%<14>cell_string{1}="fontsize{12}uparrow";%<15>cell_string{2}="fontsize{16} fontname{隶书}镇定时间";cell_string{3}="fontsize{6}";cell_string{4}=["fontsize{14} mt_{s} = "num2str(ts)];%<18>text(ts,0.85,cell_string,"Color","b","HorizontalAlignment","Center")%<19>title("fontsize{14}it y = 1 - e^{ -alpha t}cos{omegat}")%<20>xlabel("fontsize{14} ft ightarrow")ylabel("fontsize{14} fy ightarrow")%<22>%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

可以使用polyfit2d,polyval2d这两个函数来解决使用方法参考polyfit2dtest到网上搜索这三个函数名，源文件就可以下载到了

设置线宽度(LineWidth)，标记点的边缘颜色(MarkerEdgeColor)，填充颜色 (MarkerFaceColor)及标记点的大小(MarkerSize)例:设置绘图线的线型,颜色,宽度,标记 点的颜色及大小：t=0:pi/20:pi;y=sin(4*t).*sin(t)/2;plot(t,y,"-bs","LineWidth",2,... %设置线的宽度为2"MarkerEdgeColor","k",... %设置标记点边缘颜色为黑色"MarkerFaceColor","y",... %设置标记点填充颜色为黄色"MarkerSize",10) %设置标记点的尺寸为10

最小二乘法（又称最小平方法）是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。最小二乘法还可用于曲线拟合。其他一些优化问题也可通过最小化能量或最大化熵用最小二乘法来表达。最小二乘法原理：u2002在我们研究两个变量（x,y）之间的相互关系时，通常可以得到一系列成对的数据（x_{1},y_{1}.x_{2},y_{2}...x_{m},y_{m}）；将这些数据描绘在x-y直角坐标系中，若发现这些点在一条直线附近，可以令这条直线方程如（式1-1）。 _{}:代表下标，^{}:代表上标。y = a_{0}x+a_{1} u2002（式1-1)u2002u2002u2002其中：a0、a1u2002是任意实数2 常见拟合曲线：直线：u2002u2002 u2002y = a_{0}x+a_{1}u2002u2002u2002u2002u2002u2002多项式：y=a_{0}x^{n} + a_{1}x^{n-1} + a_{2}x^{n-2} + …+a_{n}一般次数不易高于3。3 matlab函数polyfit函数基于最小二乘法，使用的基本格式为：p = polyfit(x,y,n)[p,S] = polyfit(x,y,n)[p,S,mu] = polyfit(x,y,n)注：其中每个命令中的n为多项式拟合的次数，当n为1时，即为一次拟合（很多情况下等价于一元线性回归）。p是n+1维参数向量p(1)，p(2)….那么拟合后对应的多项式即为p(1)*x^n + p(2)*x^(n-1) +…+ p(n)*x + p(n+1)。S是规模为1×1的结构数组，包括R（系数矩阵的QR分解的上三角阵），df（自由度），normr（拟合误差平方和的算术平方根）。mu-包含两个值 mean（x）均值，std（x）标准差。求出p之后我们需要作出拟合函数，那么只需要使用命令：Q=polyval(p,x)然后plot出x和Q即可。另外需要强调一点的是，多项式拟合不是拟合次数越高越好，而是残差越小越好。往往需要在回归分析的时候给出相关系数（correlation coefficient），实际上也很简单，我们可以使用命令：r=corrcoef(x,y);这样得到的r即为相关系数矩阵，其中r(1,2)=r(2,1)为相关系数，其值在[-1,1]之间，1表示最大程度的正相关，-1表示最大程度的负相关。相关系数绝对值越靠近1，线性相关性质越好，根据数据描点画出来的函数-自变量图线越趋近于一条平直线，拟合的直线与描点所得图线也更相近。4 举例1. 已知观测数据为：X：0 1 2 3 4 5 6 7 8 9 10Y：-0.447 1.987 3.28 6.16 7.08 7.34 7.66 9.56 9.48 9.3 11.2用多项式曲线拟合这些数据点：Matlab 代码：clear all; close all; clc;x=0:1:10;y=[-0.447,1.978,3.28,6.16,7.08,7.34,7.66,9.56,9.48,9.3,11.2];plot(x,y,"k.","markersize",25)hold on %图形保持功能axis([0 13 -2 16]) %坐标轴范围order=2; %阶数（一般不要超过3，可以更改确定）[p s ]=polyfit(x,y,order);t=0:1:12;Q=polyval(p,t);plot(t,Q,"r"); %画出图形r=corrcoef(x,y); %相关系数

展示如何使用MATLAB进行聚类分析分别运用分层聚类、K均值聚类以及高斯混合模型来进行分析，然后比较三者的结果生成随机二维分布图形，三个中心% 使用高斯分布（正态分布）% 随机生成3个中心以及标准差s = rng(5,"v5normal");mu = round((rand(3,2)-0.5)*19)+1;sigma = round(rand(3,2)*40)/10+1;X = [mvnrnd(mu(1,:),sigma(1,:),200); ... mvnrnd(mu(2,:),sigma(2,:),300); ... mvnrnd(mu(3,:),sigma(3,:),400)];% 作图P1 = figure;clf;scatter(X(:,1),X(:,2),10,"ro");title("研究样本散点分布图") K均值聚类% 距离用传统欧式距离，分成两类[cidx2,cmeans2,sumd2,D2] = kmeans(X,2,"dist","sqEuclidean");P2 = figure;clf;[silh2,h2] = silhouette(X,cidx2,"sqeuclidean"); 从轮廓图上面看，第二类结果比较好，但是第一类有部分数据表现不佳。有相当部分的点落在0.8以下。分层聚类eucD = pdist(X,"euclidean");clustTreeEuc = linkage(eucD,"average");cophenet(clustTreeEuc,eucD);P3 = figure;clf;[h,nodes] = dendrogram(clustTreeEuc,20);set(gca,"TickDir","out","TickLength",[.002 0],"XTickLabel",[]);可以选择dendrogram显示的结点数目，这里选择20 。结果显示可能可以分成三类重新调用K均值法改为分成三类[cidx3,cmeans3,sumd3,D3] = kmeans(X,3,"dist","sqEuclidean");P4 = figure;clf;[silh3,h3] = silhouette(X,cidx3,"sqeuclidean"); 图上看，比前面的结果略有改善。将分类的结果展示出来P5 = figure;clfptsymb = {"bo","ro","go",",mo","c+"};MarkFace = {[0 0 1],[.8 0 0],[0 .5 0]};hold onfor i =1:3 clust = find(cidx3 == i); plot(X(clust,1),X(clust,2),ptsymb{i},"MarkerSize",3,"MarkerFace",MarkFace{i},"MarkerEdgeColor","black"); plot(cmeans3(i,1),cmeans3(i,2),ptsymb{i},"MarkerSize",10,"MarkerFace",MarkFace{i});endhold off 运用高斯混合分布模型进行聚类分析分别用分布图、热能图和概率图展示结果 等高线% 等高线options = statset("Display","off");gm = gmdistribution.fit(X,3,"Options",options);P6 = figure;clfscatter(X(:,1),X(:,2),10,"ro");hold onezcontour(@(x,y) pdf(gm,[x,y]),[-15 15],[-15 10]);hold offP7 = figure;clfscatter(X(:,1),X(:,2),10,"ro");hold onezsurf(@(x,y) pdf(gm,[x,y]),[-15 15],[-15 10]);hold offview(33,24)热能图cluster1 = (cidx3 == 1);cluster3 = (cidx3 == 2);% 通过观察，K均值方法的第二类是gm的第三类cluster2 = (cidx3 == 3);% 计算分类概率P = posterior(gm,X);P8 = figure;clfplot3(X(cluster1,1),X(cluster1,2),P(cluster1,1),"r.")grid on;hold onplot3(X(cluster2,1),X(cluster2,2),P(cluster2,2),"bo")plot3(X(cluster3,1),X(cluster3,2),P(cluster3,3),"g*")legend("第 1 类","第 2 类","第 3 类","Location","NW")clrmap = jet(80); colormap(clrmap(9:72,:))ylabel(colorbar,"Component 1 Posterior Probability")view(-45,20);% 第三类点部分概率值较低，可能需要其他数据来进行分析。% 概率图P9 = figure;clf[~,order] = sort(P(:,1));plot(1:size(X,1),P(order,1),"r-",1:size(X,1),P(order,2),"b-",1:size(X,1),P(order,3),"y-");legend({"Cluster 1 Score" "Cluster 2 Score" "Cluster 3 Score"},"location","NW");ylabel("Cluster Membership Score");xlabel("Point Ranking"); 通过AIC准则寻找最优的分类数高斯混合模型法的最大好处是给出分类好坏的标准AIC = zeros(1,4);NlogL = AIC;GM = cell(1,4);for k = 1:4 GM{k} = gmdistribution.fit(X,k); AIC(k)= GM{k}.AIC; NlogL(k) = GM{k}.NlogL;end[minAIC,numComponents] = min(AIC); 按AIC准则给出的最优分类数为： 3 对应的AIC值为： 8647.63后记（1）pluskid指出K均值算法的初值对结果很重要，但是在运行时还没有发现类似的结果。也许Mathworks对该算法进行过优化。有时间会仔细研究下代码，将结果放上来。分享： 56喜欢4赠金笔阅读(21209)┊ 评论 (4)┊ 收藏(1) ┊转载原文 ┊ 喜欢▼ ┊打印┊举报前一篇：[转载]拉普拉斯矩阵后一篇：[转载]用matlab做聚类分析

plot(t0,kkk(1,:),"ks","MarkerSize",4);hold on;plot(t0,kkk(2,:),"r","MarkerSize",4);hold on;plot(t0,kkk(3,:),"go","MarkerSize",4);hold on;plot(t0,kkk(4,:),"b","MarkerSize",4);legend("Sf1=10","Sf1=5000","Sf1=50000","Sf1=100000")

颜色区分,marker形状可以采用.-;-;:等方法区分,另外还有markersize定义,如果这些还不行,尝试重新定义模型

x=0:10;y=sin(2*pi/10*x);plot(x,y);xtick=get(gca,"xticklabel");xtick=[xtick,repmat("°",size(xtick,1),1)];set(gca,"xticklabel",xtick);ytick=get(gca,"yticklabel");ytick=[ytick,repmat("%",size(ytick,1),1)];set(gca,"yticklabel",ytick);

clc;clear all;t=1;x=100;y=100;vx=17;vy=0;for k=1:40 p=2*pi*rand(1,1) ; vx=17*cos(p); vy=17*sin(p); x=x+vx*t; y=y+vy*t; line("ydata",y,"xdata",x,"Color" ,[1 0 0], "Marker" ,"." , "MarkerSize" ,12, "EraseMode" , "non"); plot(x,y); axis([0 200 0 200]) if(x>200||y>200||x<0||y<0) break end hold on pause(0.4);end望采纳