Matlab reshape函数具体实例

假设我们有一个1x12的向量，我们可以使用reshape函数将其转换为3x4的矩阵。

首先，我们可以创建一个1x12的向量：

vec = [1 2 3 4 5 6 7 8 9 10 11 12];

然后，我们可以使用reshape函数将其转换为3x4的矩阵：

mat = reshape(vec, 3, 4);

这将得到以下矩阵：

mat =

     1     4     7    10
     2     5     8    11
     3     6     9    12

我们还可以使用reshape函数将一个矩阵转换为另一个形状的矩阵。例如，我们可以将上面的3x4矩阵转换为4x3矩阵：

new_mat = reshape(mat, 4, 3);

new_mat =

     1     7     6
     4    10     9
     2     8     3
     5    11    12

我们还可以使用reshape函数将一个矩阵转换为向量。例如，我们可以将上面的4x3矩阵转换为12x1向量：

new_vec = reshape(new_mat, 12, 1);

new_vec =

     1
     4
     2
     5
     7
    10
     8
    11
     6
     9
     3
    12

相关问题

bp神经网络matlab实例

以下是一个简单的BP神经网络的Matlab实例代码：

% 导入数据
data = load('data.txt');
X = data(:, 1:2);
y = data(:, 3);

% 设置参数
input_layer_size = 2;
hidden_layer_size = 3;
num_labels = 1;
lambda = 1;

% 初始化权重
initial_Theta1 = randInitializeWeights(input_layer_size, hidden_layer_size);
initial_Theta2 = randInitializeWeights(hidden_layer_size, num_labels);
initial_nn_params = [initial_Theta1(:) ; initial_Theta2(:)];

% 训练神经网络
options = optimset('MaxIter', 50);
costFunction = @(p) nnCostFunction(p, input_layer_size, hidden_layer_size, num_labels, X, y, lambda);
[nn_params, cost] = fmincg(costFunction, initial_nn_params, options);

% 加载训练好的权重
Theta1 = reshape(nn_params(1:hidden_layer_size * (input_layer_size + 1)), hidden_layer_size, (input_layer_size + 1));
Theta2 = reshape(nn_params((1 + (hidden_layer_size * (input_layer_size + 1))):end), num_labels, (hidden_layer_size + 1));

% 预测
pred = predict(Theta1, Theta2, X);
fprintf('\nTraining Set Accuracy: %f\n', mean(double(pred == y)) * 100);

这里使用了一些自定义的函数，例如：

- `randInitializeWeights`：用于随机初始化权重矩阵的函数。
- `nnCostFunction`：计算神经网络的代价函数及其梯度的函数。
- `predict`：根据训练好的权重预测输出结果的函数。

你可以在Matlab的文档中找到这些函数的具体实现和用法。

实例及matlab代码

这里提供一个简单的实例及其 Matlab 代码，该实例是一个高铁路线的列车调度问题。目标是最小化列车开行成本，约束条件包括列车间隔时间、列车运行时间、站点停靠时间等。

假设有一条由 A、B、C、D 四个站点构成的高铁路线，两个方向各有一班列车，从 A 出发，到 D 终点站，再从 D 出发返回 A 站，每天共开行 4 班列车。

以下是 Matlab 代码：

% 定义列车开行方案
% 每个元素表示该时刻是否有列车：0-无，1-有
% 班次1：从A出发，到D站，再从D出发返回A站
% 班次2：从D出发，到A站，再从A出发返回D站
x0 = [
    1 1 1 0 0 0 0 0 0 0 0 0;
    0 0 0 1 1 1 0 0 0 0 0 0;
    0 0 0 0 0 0 1 1 1 0 0 0;
    0 0 0 0 0 0 0 0 0 1 1 1;
    1 1 1 0 0 0 0 0 0 0 0 0;
    0 0 0 1 1 1 0 0 0 0 0 0;
    0 0 0 0 0 0 1 1 1 0 0 0;
    0 0 0 0 0 0 0 0 0 1 1 1;
];

% 目标函数：列车开行成本
% 假设每个班次的开行成本相同，为100元
f = @(x) sum(sum(x))*100;

% 约束条件：列车间隔时间、列车运行时间、站点停靠时间
% 假设列车间隔时间为2小时，列车运行时间为3小时，站点停靠时间为20分钟
A = [
    -1  1  0  0  0  0  0  0  0  0  0  0;
     0 -1  1  0  0  0  0  0  0  0  0  0;
     0  0 -1  1  0  0  0  0  0  0  0  0;
     0  0  0 -1  1  0  0  0  0  0  0  0;
    -1  1  0  0  0  0  0  0  0  0  0  0;
     0 -1  1  0  0  0  0  0  0  0  0  0;
     0  0 -1  1  0  0  0  0  0  0  0  0;
     0  0  0 -1  1  0  0  0  0  0  0  0;
    -1  0  0  0  1  0  0  0  0  0  0  0;
     0 -1  0  0  0  1  0  0  0  0  0  0;
     0  0 -1  0  0  0  1  0  0  0  0  0;
     0  0  0 -1  0  0  0  1  0  0  0  0;
     0  0  0  0 -1  0  0  0  1  0  0  0;
     0  0  0  0  0 -1  0  0  0  1  0  0;
     0  0  0  0  0  0 -1  0  0  0  1  0;
     0  0  0  0  0  0  0 -1  1  0  0  0;
];
b = [-2 -2 -2 -2 -2 -2 -2 -2 -3 -3 -3 -3 -3 -3 -3 -3] * 60;
lb = zeros(1, 12);
ub = ones(1, 12);

% 调用优化函数求解
[x, fval] = fmincon(f, x0(:), A, b, [], [], lb, ub, [], optimoptions('fmincon', 'Display', 'iter'));

% 将求解结果还原为矩阵形式
x = reshape(x, size(x0));

在该代码中，目标函数 f 表示列车开行成本，约束条件 A、b 表示列车间隔时间、列车运行时间、站点停靠时间，x0 表示列车开行方案的初始值，lb、ub 表示列车开行方案的取值范围。调用 fmincon 函数进行求解，并将求解结果还原为矩阵形式。

需要注意的是，该实例是一个简化的模型，实际求解过程中需要考虑更多的因素。