x1 = np.cos(6*np.pi*t) x2 = np.cos(14*np.pi*t) x3 = np.cos(26*np.pi*t)画出他们MATLAB图像

在MATLAB中，你可以使用`plot`函数来绘制三个余弦波形。这里是一个简单的示例代码，展示了如何生成并显示这些波形：

% 定义时间范围
t = linspace(0, 1, 1000); % 从0到1，采样点数为1000

% 创建三个余弦函数数组
x1 = cos(6*pi*t);
x2 = cos(14*pi*t);
x3 = cos(26*pi*t);

% 绘制图像
figure; % 新建图形窗口
hold on; % 保持当前图形以便在同一窗口添加更多线
plot(t, x1, 'r', 'LineWidth', 1.5, 'DisplayName', 'f1'); % 红色线，频率6π
plot(t, x2, 'g', 'LineWidth', 1.5, 'DisplayName', 'f2'); % 绿色线，频率14π
plot(t, x3, 'b', 'LineWidth', 1.5, 'DisplayName', 'f3'); % 蓝色线，频率26π

% 添加标题、标签和图例
title('Multiple Cosine Waves');
xlabel('Time (s)');
ylabel('Amplitude');
legend('show');

% 显示图像
grid on; % 添加网格线

运行上述代码后，你会看到一个包含三条余弦曲线的图像，分别代表频率为6π、14π和26π的波形。

相关问题

import numpy as np N = 32 n = np.arange(N) wn = np.random.uniform(0, 1, N) X1 = np.cos(2 * np.pi * n / N) * wn X2 = np.sin(2 * np.pi * n / N) X1_fft = np.fft.fft(X1) X2_fft = np.fft.fft(X2) X3_fft = X1_fft * X2_fft X3_fft[:N] = X3_fft[:N] / N X3_fft[N:] = 0 X3 = np.fft.ifft(X3_fft) X3 = np.real(X3) print(X3)

这段代码使用了numpy库中的FFT函数来计算两个信号的乘积的傅里叶变换。首先，np.arange(N)生成了一个从0到31的序列，作为离散时间轴上的采样点。接着，np.random.uniform(0, 1, N)生成了一个从0到1的随机数序列，作为加权系数。然后，X1和X2分别计算了一个正余弦信号，其中正弦信号使用了wn作为加权系数。接下来，使用np.fft.fft函数对X1和X2进行傅里叶变换，得到它们的频率域表示X1_fft和X2_fft。将它们相乘，得到X3_fft，即两个信号的乘积的傅里叶变换。由于FFT计算的是周期性信号的频谱，因此需要将X3_fft的前一半和后一半重新排列，以得到正确的结果。最后，使用np.fft.ifft函数对X3_fft进行逆傅里叶变换，得到X3，即两个信号的乘积的时域表示。因为傅里叶变换是线性变换，所以X3和X1、X2的乘积的时域表示是一样的。最后，使用np.real函数取实部，得到X3的实数部分。

得到函数y_rec的函数表达式：import numpy as np import matplotlib.pyplot as plt def gen_data(x1, x2): y_sample = np.sin(np.pi * x1 / 2) + np.cos(np.pi * x1 / 3) y_all = np.sin(np.pi * x2 / 2) + np.cos(np.pi * x2 / 3) return y_sample, y_all def kernel_interpolation(y_sample, x1, sig): gaussian_kernel = lambda x, c, h: np.exp(-(x - x[c]) ** 2 / (2 * (h ** 2))) num = len(y_sample) w = np.zeros(num) int_matrix = np.asmatrix(np.zeros((num, num))) for i in range(num): int_matrix[i, :] = gaussian_kernel(x1, i, sig) w = int_matrix.I * np.asmatrix(y_sample).T return w def kernel_interpolation_rec(w, x1, x2, sig): gkernel = lambda x, xc, h: np.exp(-(x - xc) ** 2 / (2 * (h ** 2))) num = len(x2) y_rec = np.zeros(num) for i in range(num): for k in range(len(w)): y_rec[i] = y_rec[i] + w[k] * gkernel(x2[i], x1[k], sig) return y_rec

函数y_rec的函数表达式为：

y_rec = np.zeros(num)
for i in range(num):
    for k in range(len(w)):
        y_rec[i] = y_rec[i] + w[k] * np.exp(-(x2[i] - x1[k]) ** 2 / (2 * (sig ** 2)))