主题
MATLAB 数学计算
同样是输入几个数字,求方程的解、估计曲线斜率、计算曲线下的面积,是三种不同的问题。先写清手里已有的量和希望得到的量,再选择函数。了解 MATLAB 基础 的数组和函数,就能运行本节。代码中的 @(x) cos(x)-x 是一个匿名函数句柄,把
线性代数与方程残差
令 A \ b 求解,并用 norm(A*x-b) 检查残差。当 cond(A) 检查问题对扰动的敏感度。 MathWorks 线性方程组
求根、积分与数值微分
- 求根 问的是在哪个
上 。例如固定点 ,可将其改写为 。区间 中函数连续,且 、 ,因此可用 fzero(@(x) cos(x)-x,[0,1])。终值约,把它代回检查残差。偶重根两侧可能同号,异号括区法会错过它。 - 积分 问的是把变化率沿时间累积多少。例如
integral(@(x) exp(-x),0,2)计算,约为 。如果只知道有限个采样值,用 trapz(t, y)根据相邻点构造梯形,输入可保留实际时间间隔。 - 数值微分 用附近样本估计斜率。中心差分为
。设 ,在 用 ,结果约为 ,解析值为 。向量数据可用 gradient(y,h)估算等间距网格上的斜率。减小可以减轻截断误差,相近数值相减也会放大舍入误差,观测噪声同样会影响差分。 MathWorks 数值积分 · 数值梯度
用同一组点练习插值与最小二乘拟合
给定模拟校准点 interp1 做线性插值,得到
X \ y 求最小二乘,避免先形成 polyfit(x,y,1) 也能获得同一阶多项式系数。这里
微分方程、极小值与统计
- ODE 初值问题 给了变化率和起点,要求整段轨迹。假定空气温度恒为
,物体初温 ,冷却率 。写作 ,传给 ode45的函数顺序是@(t,T),无需用到的时间参数也保留在位置上。用对照数值结果,5 min 时约 。初值和输出时刻由调用者给定,求解器自己的内部步长可以随误差估计改变。 MathWorks ode45 - 数值优化 问的是目标最小在哪。例子以区间
上的 为目标, fminbnd返回,值为 2。由于此目标是凸二次函数,并且最小点位于区间内,可以从公式验算其全局最小。一般目标有多处低谷时,要检查搜索区间、端点和候选解。多元无约束可用 fminsearch,对初值敏感的问题应比较多个起点。 MathWorks fminbnd · fminsearch - 统计与概率 样本
[1;3;4;6]的均值为 3.5,样本标准差std(y,0)除以后再开方,约为 2.082。变量间线性相关程度可看 corrcoef(x,y)的非对角线元素。对标准正态变量,右尾概率 可通过基础函数 0.5*erfc(1.96/sqrt(2))得到约 0.0250。若要用模拟频率对照,可用rng(42,'twister'); mean(randn(10000,1) > 1.96),结果允许蒙特卡洛波动。
工具箱与基础 MATLAB 的替代方法
下面的完整实验以 MATLAB R2020a 或更新版本为目标,依赖基础 MATLAB。GNU Octave 兼容性未验证。需要使用某个工具箱时,可用 ver 核对安装产品。使用还取决于当前许可。
| 想解决的问题 | 可选工具箱的函数 | 使用基础 MATLAB 时 |
|---|---|---|
| 取得导数、原函数或代数解的表达式 | Symbolic Math Toolbox 的 syms、diff、int、solve | 若只需要数值,分别用中心差分、integral、fzero。表达式可针对具体方程手推。 |
| 带一般约束的优化 | Optimization Toolbox 的 fmincon(非线性)、linprog(线性) | 低维教学问题可枚举候选点并检验约束,例如二维线性规划枚举顶点,需确认可行集非空有界。标量区间最小化可用 fminbnd 并比较端点。 |
| 函数拟合及诊断 | Curve Fitting Toolbox 的 fit | 多项式可用 polyfit。对参数线性的模型可构建设计矩阵,用反斜杠和残差检查。 |
| 常见分布、检验和统计模型 | Statistics and Machine Learning Toolbox 的 normcdf、fitlm 等 | 基础 mean、std、corrcoef 做描述统计。正态概率用 erfc 换算,普通线性回归可用反斜杠。 |
例如,装有 Symbolic Math Toolbox 时,可以在命令窗口运行以下独立算例。计算 diff 时,符号输入表示求表达式的导数,数值数组输入则返回邻元素的差。
matlab
% 创建符号变量,保留多项式的精确表达式,再对它求导和积分。
syms x
f = 3*x^2 + 2;
df = diff(f, x); % 6*x
area = int(f, x, 0, 1); % 3完整实验
下载到 MATLAB 当前文件夹,运行 result = mmf_matlab_numerics()。输出结构体包含线性系统残差、求根残差、两种积分、拟合参数和 ODE 解析对照。可单独查看 result.fit_sse 或 result.ode_max_error。
matlab
function result = mmf_matlab_numerics()
% 用带解析答案的小算例练习常用数值工具,所有计算使用基础 MATLAB。
% 线性系统:用残差检查求得的向量是否满足原方程。
A = [2, 1; 1, 3];
b = [8; 9];
% A 是 2×2 系数矩阵,b 是 2×1 右端,反斜杠直接求解方程组。
solution = A \ b;
linearResidual = norm(A * solution - b);
% 传入函数句柄。区间端点处函数值异号,且区间内函数连续。
balance = @(x) cos(x) - x;
% fzero 的第二个返回量是函数在所求根处的值,可据此检查求根残差。
[root, rootResidual] = fzero(balance, [0, 1]);
% 连续函数用 integral,离散采样用 trapz 并保留时间坐标。
decay = @(x) exp(-x);
xSample = linspace(0, 2, 11);
area = integral(decay, 0, 2);
sampledArea = trapz(xSample, decay(xSample));
% 以 x=1 为中心,取左右对称两个取样点求变化率。
h = 0.1;
derivative = (decay(1+h) - decay(1-h)) / (2*h);
% 假设校准数据。插值由相邻点给值,拟合利用全部数据估计两参数。
x = [0; 1; 2; 3];
y = [1; 3; 4; 6];
interpolated = interp1(x, y, 2.5, 'linear');
design = [x, ones(size(x))];
coefficients = design \ y;
yFit = design * coefficients;
residual = y - yFit;
polyfitCoefficients = polyfit(x, y, 1);
assert(norm(coefficients - polyfitCoefficients.', inf) < 1e-10);
% 计算简单冷却轨迹。时间向量规定返回哪些时刻的解。
air = 25;
initial = 85;
rate = 0.2;
cooling = @(t, temperature) -rate*(temperature - air);
options = odeset('RelTol', 1e-9, 'AbsTol', 1e-11);
% ode45 使用自适应内部步长;RelTol 和 AbsTol 控制局部误差估计。
[time, temperature] = ode45(cooling, (0:0.5:5).', initial, options);
exact = air + (initial-air)*exp(-rate*time);
% 一元有界最小化。已知这个教学目标是凸二次函数。
cost = @(u) (u-3).^2 + 2;
[minimumAt, minimumCost] = fminbnd(cost, 0, 5);
% 给定样本的描述统计量,std(y,0) 使用分母 n-1。
center = mean(y);
spread = std(y,0);
correlations = corrcoef(x,y);
% 标准正态分布右尾 P(Z > 1.96),用基础 MATLAB 的互补误差函数。
upperTail = 0.5*erfc(1.96/sqrt(2));
result = struct('linear_solution', solution.', 'linear_residual', linearResidual, ...
'root', root, 'root_residual', abs(rootResidual), 'integral', area, ...
'sampled_integral', sampledArea, 'derivative', derivative, ...
'interpolated', interpolated, 'slope', coefficients(1), ...
'intercept', coefficients(2), 'fit_sse', sum(residual.^2), ...
'ode_final', temperature(end), 'ode_max_error', max(abs(temperature-exact)), ...
'minimum_at', minimumAt, 'minimum_cost', minimumCost, ...
'sample_mean', center, 'sample_std', spread, 'correlation', correlations(1,2), ...
'normal_upper_tail', upperTail);
end练习与参考解答
- 把梯形积分采样点数从 11 改成 21。用
abs(sampledArea-area)比较两次误差,预测误差改变的方向。 - 另建一个去掉常数列的校准设计矩阵,只估计
k。计算新斜率,解释数据点的误差来源。 - 把冷却率改成
,保持其他条件相同。先算 5 min 的解析温度,再检查 ODE 输出。
展开参考解答
- 原间隔 0.2,新间隔 0.1。光滑函数的复合梯形积分误差为二阶,误差约从 0.00288 降到 0.00072。
在区间上是凸函数,两次梯形面积都略大于真值。 - 用
throughOrigin = x \ y;。此时。模型被约束通过原点, 的预测必为零,残差为 1。 。把函数中的 rate改为 0.4,结果的ode_final应接近此值,ode_max_error可以验证全部返回时刻。