毕业论文matlab结果

你说的应该是层次分析中的一致性检验吧。下面是我准备美赛建模时提前写的一个程序。输入相应矩阵后自动判断是否通过一致性检验。若通过则给出最大特征值和标准化特征向量。结果为“pass”，恭喜通过一致性检验。输入要判定的矩阵A=[1,1/2,2,1/3,3,1/4;2,1,3,1/2,4,1/3;1/2,1/3,1,1/4,2,1/5;3,2,4,1,5,1/2;1/3,1/4,1/2,1/5,1,1/6;4,3,5,2,6,1]特征向量及特征值为：V = + - - + + - - + - + + - + - + - - + - + D = 0 0 0 0 0 0 + 0 0 0 0 0 0 - 0 0 0 0 0 0 + 0 0 0 0 0 0 - 0 0 0 0 0 0 CR = 权向量为B =

clc;

clearall;

closeall;

%%----BuildatrainingsetofasimilarversionofXOR

c_1=[00];

c_2=[11];

c_3=[01];

c_4=[10];

n_L1=20;%numberoflabel1

n_L2=20;%numberoflabel2

A=zeros(n_L1*2,3);

A(:,3)=1;

B=zeros(n_L2*2,3);

B(:,3)=0;

%createrandompoints

fori=1:n_L1

A(i,1:2)=c_1+rand(1,2)/2;

A(i+n_L1,1:2)=c_2+rand(1,2)/2;

end

fori=1:n_L2

B(i,1:2)=c_3+rand(1,2)/2;

B(i+n_L2,1:2)=c_4+rand(1,2)/2;

end

%showpoints

scatter(A(:,1),A(:,2),[],'r');

holdon

scatter(B(:,1),B(:,2),[],'g');

X=[A;B];

data=X(:,1:2);

label=X(:,3);

%%Usingkmeanstofindcintervector

n_center_vec=10;

rng(1);

[idx,C]=kmeans(data,n_center_vec);

holdon

scatter(C(:,1),C(:,2),'b','LineWidth',2);

%%Calulatesigma

n_data=size(X,1);

%calculateK

K=zeros(n_center_vec,1);

fori=1:n_center_vec

K(i)=numel(find(idx==i));

end

%UsingknnsearchtofindKnearestneighborpointsforeachcentervector

%thencalucatesigma

sigma=zeros(n_center_vec,1);

fori=1:n_center_vec

[n,d]=knnsearch(data,C(i,:),'k',K(i));

L2=(bsxfun(@minus,data(n,:),C(i,:)).^2);

L2=sum(L2(:));

sigma(i)=sqrt(1/K(i)*L2);

end

%%Calutateweights

%kernelmatrix

k_mat=zeros(n_data,n_center_vec);

fori=1:n_center_vec

r=bsxfun(@minus,data,C(i,:)).^2;

r=sum(r,2);

k_mat(:,i)=exp((-r.^2)/(2*sigma(i)^2));

end

W=pinv(k_mat'*k_mat)*k_mat'*label;

y=k_mat*W;

%y(y>=)=1;

%y(y<)=0;

%%trainingfunctionandpredictfunction

[W1,sigma1,C1]=RBF_training(data,label,10);

y1=RBF_predict(data,W,sigma,C1);

[W2,sigma2,C2]=lazyRBF_training(data,label,2);

y2=RBF_predict(data,W2,sigma2,C2);

扩展资料

matlab的特点

1、具有完备的图形处理功能，实现计算结果和编程的可视化；

2、友好的用户界面及接近数学表达式的自然化语言，使学者易于学习和掌握；

3、功能丰富的应用工具箱(如信号处理工具箱、通信工具箱等) ，为用户提供了大量方便实用的处理工具。

参考资料来源：百度百科—MATLAB

你的问题，可以直接用solve（）函数命令求得。即

Fai=solve(((C_52*C_43-C_53*C_42)/(C_52*C_41-C_42*C_51)+R_1)^2+((C_53*C_41-C_43*C_51)/(C_52*C_41-C_42*C_51)+S_1)^2-L_hj^2)

另外，可以将sin（）改为sind（）,cos（）改为cosd（）,前者的单位为弧度，后者的单位为角度

运行结果

Fai =  （°）

给你提供一种很专业的数值算法“幂法”，这是专门用来算矩阵最大特征值的经典算法。“幂法“的算法过程其实很简单，就是拿一个向量，不停地用a乘，最后就会慢慢趋近于最大特征值对应的特征向量。“幂法”在矩阵拥有唯一最大特征值的前提下，迭代足够多次，就一定能收敛的，可以用线性代数的矩阵相似性原理证明。我这段代码迭代了100次，取了随便一个向量[100000]'作为初始值（一般是取个随机向量，其实没啥大差别）。a=[111/4333;111/4333;441555;1/31/31/5122;1/31/31/51/213;1/31/31/51/21/31];v=[100000]';fori=1:100v=a*v;v=v/sqrt(sum(v.^2));endlamda=sqrt(sum((a*v).^2))/sqrt(sum(v.^2))v结果：lamda=你会发现，和内置算法的eigs命令求出的结果是一样的。>>eigs(a)ans=最大特征值同样是。