% 判断输入的数字,输出对应的结果 input_num = input('请输入数字:'); if input_num == 1 % 巴特沃斯滤波器图像 [b, a] = butter(5, 0.5, 'low'); freqz(b, a); title('巴特沃斯滤波器图像'); elseif input_num == 2 % 切比雪夫滤波器图像 [b, a] = cheby1(5, 1, 0.5, 'low'); freqz(b, a); title('切比雪夫滤波器图像'); elseif input_num == 3 % 三维图像 [x, y] = meshgrid(-2:0.2:2); z = x .* exp(-x .^ 2 - y .^ 2); figure; surf(x, y, z); xlabel('x轴'); ylabel('y轴'); zlabel('z轴'); title('三维图像'); elseif input_num == 4 % D触发器的输入输出图像 t = 0:0.01:2; d = square(2*pi*t, 50); q = zeros(size(t)); for i = 2:length(t) if d(i) > d(i-1) q(i) = 1; elseif d(i) < d(i-1) q(i) = 0; end end figure; plot(t, d, 'b', 'LineWidth', 2); hold on; plot(t, q, 'r', 'LineWidth', 2); legend('D', 'Q'); xlabel('时间'); ylabel('幅值'); title('D触发器的输入输出图像'); elseguanjia % 输入数字不在指定范围内 disp('请输入1、2、3或4!'); end 描述本设计中用到和Matlab的关键知识有哪些,对知识点做简要说明。
时间: 2024-03-31 15:36:47 浏览: 9
本设计中用到的关键知识点包括:条件语句、函数调用、数组的定义和操作、绘图函数、循环语句、字符串的输出和格式化、以及逻辑运算符等。其中,条件语句用于判断用户输入的数字并执行相应的操作;函数调用则使用了Matlab中的内置函数,如butter、cheby1等;数组的定义和操作用于存储和处理数据,如在三维图像中用到的meshgrid函数;绘图函数用于绘制巴特沃斯滤波器图像、切比雪夫滤波器图像、以及D触发器的输入输出图像;循环语句则在D触发器的输入输出图像中用到;字符串的输出和格式化则在输入数字不在指定范围内时用到;逻辑运算符则在判断用户输入的数字时用到。
相关问题
% 判断输入的数字,输出对应的结果 input_num = input('请输入数字:'); if input_num == 1 % 巴特沃斯滤波器图像 [b, a] = butter(5, 0.5, 'low'); freqz(b, a); title('巴特沃斯滤波器图像'); elseif input_num == 2 % 切比雪夫滤波器图像 [b, a] = cheby1(5, 1, 0.5, 'low'); freqz(b, a); title('切比雪夫滤波器图像'); elseif input_num == 3 % 三维图像 [x, y] = meshgrid(-2:0.2:2); z = x .* exp(-x .^ 2 - y .^ 2); figure; surf(x, y, z); xlabel('x轴'); ylabel('y轴'); zlabel('z轴'); title('三维图像'); elseif input_num == 4 % D触发器的输入输出图像 t = 0:0.01:2; d = square(2*pi*t, 50); q = zeros(size(t)); for i = 2:length(t) if d(i) > d(i-1) q(i) = 1; elseif d(i) < d(i-1) q(i) = 0; end end添加imwrite来保存这四个图像
input_num = input('请输入数字:');
if input_num == 1
% 巴特沃斯滤波器图像
[b, a] = butter(5, 0.5, 'low');
freqz(b, a);
title('巴特沃斯滤波器图像');
elseif input_num == 2
% 切比雪夫滤波器图像
[b, a] = cheby1(5, 1, 0.5, 'low');
freqz(b, a);
title('切比雪夫滤波器图像');
elseif input_num == 3
% 三维图像
[x, y] = meshgrid(-2:0.2:2);
z = x .* exp(-x .^ 2 - y .^ 2);
figure;
surf(x, y, z);
xlabel('x轴');
ylabel('y轴');
zlabel('z轴');
title('三维图像');
elseif input_num == 4
% D触发器的输入输出图像
t = 0:0.01:2;
d = square(2*pi*t, 50);
q = zeros(size(t));
for i = 2:length(t)
if d(i) > d(i-1)
q(i) = 1;
elseif d(i) < d(i-1)
q(i) = 0;
end
end
% 添加imwrite来保存这四个图像
imwrite(getframe(gcf).cdata, '巴特沃斯滤波器图像.png');
close;
imwrite(getframe(gcf).cdata, '切比雪夫滤波器图像.png');
close;
imwrite(getframe(gcf).cdata, '三维图像.png');
close;
plot(t, [d;q]);
legend('D触发器输入', 'D触发器输出');
xlabel('时间');
ylabel('电压');
title('D触发器的输入输出图像');
imwrite(getframe(gcf).cdata, 'D触发器的输入输出图像.png');
close;
end
% 载入数据 data = xlsread('补偿.xlsx'); input = data(1:20, 7:12)'; % 输入数据 output = data(1:20, 2:4)'; % 输出数据 % 分割训练集和测试集 input_train = input(:, 1:15); output_train = output(:, 1:15); input_test = input(:, 5:20); output_test = output(:, 5:20); % 归一化数据 [input_train_norm, input_ps] = mapminmax(input_train, -1, 1); [output_train_norm, output_ps] = mapminmax(output_train, -1, 1); % 构建BP神经网络 input_num = size(input_train_norm, 1); hidden_num = 10; output_num = size(output_train_norm, 1); net = newff(input_train_norm, output_train_norm, hidden_num, {'tansig', 'purelin'}, 'trainlm'); % 训练BP神经网络 net.trainParam.epochs = 2000; net.trainParam.lr = 0.0001; net.trainParam.goal = 0.001; net = train(net, input_train_norm, output_train_norm); % 测试BP神经网络 input_test_norm = mapminmax('apply', input_test, input_ps); output_test_norm = mapminmax('apply', output_test, output_ps); output_pred_norm = sim(net, input_test_norm); output_pred = mapminmax('reverse', output_pred_norm, output_ps); % 可视化结果 figure; plot(output_test(1,:), 'bo-'); hold on; plot(output_pred(1,:), 'r*-'); legend('真实结果', '预测结果'); xlabel('样本编号'); ylabel('输出值'); title('预测结果和真实结果');样本编号帮我改为1到20
% 载入数据
data = xlsread('补偿.xlsx');
input = data(1:20, 7:12)'; % 输入数据
output = data(1:20, 2:4)'; % 输出数据
% 分割训练集和测试集
input_train = input(:, 1:15);
output_train = output(:, 1:15);
input_test = input(:, 5:20);
output_test = output(:, 5:20);
% 归一化数据
[input_train_norm, input_ps] = mapminmax(input_train, -1, 1);
[output_train_norm, output_ps] = mapminmax(output_train, -1, 1);
% 构建BP神经网络
input_num = size(input_train_norm, 1);
hidden_num = 10;
output_num = size(output_train_norm, 1);
net = newff(input_train_norm, output_train_norm, hidden_num, {'tansig', 'purelin'}, 'trainlm');
% 训练BP神经网络
net.trainParam.epochs = 2000;
net.trainParam.lr = 0.0001;
net.trainParam.goal = 0.001;
net = train(net, input_train_norm, output_train_norm);
% 测试BP神经网络
input_test_norm = mapminmax('apply', input_test, input_ps);
output_test_norm = mapminmax('apply', output_test, output_ps);
output_pred_norm = sim(net, input_test_norm);
output_pred = mapminmax('reverse', output_pred_norm, output_ps);
% 可视化结果
figure;
plot(1:20, output_test(1,:), 'bo-');
hold on;
plot(1:20, output_pred(1,:), 'r*-');
legend('真实结果', '预测结果');
xlabel('样本编号');
ylabel('输出值');
title('预测结果和真实结果');