matlab 教程

1. MATLAB简介与环境

1.1 什么是MATLAB

MATLAB（Matrix Laboratory）是一个高性能的数值计算环境和编程语言，专为工程计算、数据分析和算法开发设计。

1.2 与Python/C++的对比

特性	Python	C/C++	MATLAB
类型	解释型	编译型	解释型
主要用途	通用编程	系统编程	数值计算
矩阵运算	需要NumPy	需要库	内置支持
学习曲线	平缓	陡峭	中等
执行速度	中等	最快	快（矩阵运算）

1.3 MATLAB环境

• 命令窗口(Command Window): 交互式执行命令
• 编辑器(Editor): 编写和编辑脚本、函数
• 工作区(Workspace): 查看变量
• 命令历史(Command History): 查看历史命令
• 当前文件夹(Current Folder): 文件管理

1.4 基本操作命令

% 基本环境命令
clc         % 清除命令窗口
clear       % 清除工作区所有变量
clear var   % 清除指定变量
close all   % 关闭所有图形窗口
who         % 显示当前变量列表
whos        % 详细显示变量信息
pwd         % 显示当前路径
cd          % 改变当前路径
ls          % 列出当前目录文件

---

2. 基本语法与数据类型

2.1 语法规则

% 注释：单行注释用%，多行注释用%{ %}
% 这是单行注释

%{
这是多行注释
可以写很多行
%}

% 语句结束：
a = 5;      % 分号抑制输出
b = 3       % 不加分号会显示结果

% 续行：使用...
long_variable_name = 1 + 2 + 3 + ...
                     4 + 5 + 6;

2.2 变量命名规则

% 命名规则：
% 1. 以字母开头
% 2. 只能包含字母、数字、下划线
% 3. 区分大小写
% 4. 不能使用关键字

% 有效的变量名
var1 = 10;
my_variable = 20;
MyVariable = 30;
variable_2023 = 40;

% 无效的变量名（会报错）
% 2var = 10;      % 以数字开头
% my-var = 20;    % 包含连字符
% for = 30;       % 使用关键字

2.3 数据类型详解

2.3.1 数值类型

% 双精度浮点数（默认）
a = 3.14159;
b = 1.23e-4;        % 科学记数法
c = 1.23e4;

% 整数类型
int8_var = int8(127);           % 8位有符号整数
uint8_var = uint8(255);         % 8位无符号整数
int16_var = int16(32767);       % 16位有符号整数
uint16_var = uint16(65535);     % 16位无符号整数
int32_var = int32(2147483647);  % 32位有符号整数
uint32_var = uint32(4294967295); % 32位无符号整数
int64_var = int64(9223372036854775807);  % 64位有符号整数

% 单精度浮点数
single_var = single(3.14159);

% 复数
complex_var = 3 + 4i;   % 或 3 + 4*i
complex_var2 = complex(3, 4);

2.3.2 逻辑类型

% 布尔值
bool_true = true;
bool_false = false;

% 逻辑运算结果
result = (5 > 3);       % true
result2 = (2 == 3);     % false

% 逻辑数组
logical_array = [true, false, true];

2.3.3 字符和字符串

% 字符数组（传统方式）
char_var = 'Hello';
char_array = ['Hello'; 'World'];  % 注意：每行长度必须相同

% 字符串数组（R2016b及以后）
str_var = "Hello";
str_array = ["Hello", "World", "MATLAB"];

% 字符串与字符数组的区别
char_example = 'Hello';     % 1x5 char
string_example = "Hello";   % 1x1 string

2.4 类型转换

% 数值转换
a = 3.14;
b = int32(a);           % 转换为32位整数
c = single(a);          % 转换为单精度
d = char(65);           % ASCII转字符: 'A'

% 字符串转换
num_str = '123';
num_val = str2double(num_str);  % 字符串转数值
num_val2 = str2num(num_str);    % 字符串转数值（可处理向量）

% 数值转字符串
val = 3.14159;
str_val = num2str(val);         % 数值转字符串
str_val2 = sprintf('%.2f', val); % 格式化转换

---

3. 数组和矩阵操作

3.1 数组创建

3.1.1 直接创建

% 行向量
row_vector = [1, 2, 3, 4, 5];
row_vector2 = [1 2 3 4 5];      % 逗号可省略

% 列向量
col_vector = [1; 2; 3; 4; 5];

% 矩阵
matrix = [1, 2, 3; 4, 5, 6; 7, 8, 9];
matrix2 = [1 2 3
           4 5 6
           7 8 9];              % 分行写法

3.1.2 使用函数创建

% 特殊矩阵
zeros_matrix = zeros(3, 4);     % 3x4零矩阵
ones_matrix = ones(2, 5);       % 2x5全1矩阵
eye_matrix = eye(4);            % 4x4单位矩阵
diag_matrix = diag([1,2,3,4]);  % 对角矩阵

% 随机矩阵
rand_matrix = rand(3, 3);       % 3x3均匀分布随机矩阵[0,1]
randn_matrix = randn(2, 4);     % 2x4标准正态分布随机矩阵
randi_matrix = randi(10, 3, 3); % 3x3随机整数矩阵[1,10]
randi_matrix2 = randi([5,15], 2, 3); % 2x3随机整数矩阵[5,15]

3.1.3 序列创建

% 等差数列
seq1 = 1:5;                 % [1 2 3 4 5]
seq2 = 1:2:10;             % [1 3 5 7 9]，步长为2
seq3 = 10:-1:1;            % [10 9 8 7 6 5 4 3 2 1]，递减

% 等间距数列
linspace_seq = linspace(0, 10, 5);  % 0到10等分5个点
logspace_seq = logspace(1, 3, 5);   % 10^1到10^3等分5个点（对数空间）

% 重复数组
repmat_array = repmat([1, 2], 3, 2);  % 重复[1,2] 3行2列

3.2 数组索引与切片

3.2.1 基本索引（注意：MATLAB索引从1开始！）

A = [1, 2, 3; 4, 5, 6; 7, 8, 9];

% 单个元素
element = A(2, 3);          % 第2行第3列：6
element2 = A(1, 1);         % 第1行第1列：1

% 线性索引（按列优先）
linear_element = A(5);      % 第5个元素：5
linear_element2 = A(end);   % 最后一个元素：9

% 使用end关键字
last_element = A(end, end); % 最后一行最后一列：9
second_last = A(end-1, end); % 倒数第二行最后一列：6

3.2.2 切片操作

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

% 行切片
first_row = A(1, :);        % 第1行所有列：[1 2 3 4]
last_row = A(end, :);       % 最后一行：[9 10 11 12]

% 列切片
first_col = A(:, 1);        % 所有行第1列：[1; 5; 9]
last_col = A(:, end);       % 最后一列：[4; 8; 12]

% 子矩阵
sub_matrix = A(1:2, 2:3);   % 第1-2行，第2-3列：[2 3; 6 7]
sub_matrix2 = A([1,3], [2,4]); % 第1,3行，第2,4列：[2 4; 10 12]

% 所有元素
all_elements = A(:);        % 所有元素（列向量）

特性	MATLAB	NumPy (Python)
索引起始	从1开始	从0开始
语法	圆括号 A(行, 列)	方括号 A[行, 列]
第一个元素	A(1, 1)	A[0, 0]
范围索引	A(1:3, 1:2)	A[0:3, 0:2]
间隔索引	A([1:3], [1:2])	A[[0:3], [0:2]]
逆向	end:-1:1	::-1
所有行/列	A(:, 2)	A[:, 1]
最后一个元素	A(end, end)	A[-1, -1]

3.2.3 逻辑索引

A = [1, -2, 3; -4, 5, -6; 7, -8, 9];

% 逻辑条件
positive_mask = A > 0;      % 逻辑矩阵
positive_elements = A(A > 0); % 提取正数：[1; 3; 5; 7; 9]

% 复合条件
condition = (A > 0) & (A < 8);  % 大于0且小于8
selected = A(condition);        % [1; 3; 5; 7]

% 替换元素
A(A < 0) = 0;              % 将负数替换为0

3.3 数组操作

3.3.1 数组拼接

% 水平拼接
A = [1, 2; 3, 4];
B = [5, 6; 7, 8];
C_horizontal = [A, B];      % [1 2 5 6; 3 4 7 8]
C_horizontal2 = horzcat(A, B); % 同上

% 垂直拼接
C_vertical = [A; B];        % [1 2; 3 4; 5 6; 7 8]
C_vertical2 = vertcat(A, B); % 同上

% 高维拼接
C_3d = cat(3, A, B);        % 沿第3维拼接

3.3.2 数组重塑

A = [1, 2, 3, 4, 5, 6];

% 重塑形状
B = reshape(A, 2, 3);       % 重塑为2x3：[1 3 5; 2 4 6]
C = reshape(A, 3, 2);       % 重塑为3x2：[1 4; 2 5; 3 6]

% 转置
A_matrix = [1, 2, 3; 4, 5, 6];
A_transpose = A_matrix';    % 转置：[1 4; 2 5; 3 6]
A_transpose2 = transpose(A_matrix); % 同上

% 复数矩阵的共轭转置
complex_matrix = [1+2i, 3-4i; 5+6i, 7-8i];
conjugate_transpose = complex_matrix'; % 共轭转置
transpose_only = complex_matrix.';     % 仅转置（不共轭）

3.3.3 数组排序

% 向量排序
vec = [3, 1, 4, 1, 5, 9];
sorted_vec = sort(vec);         % 升序：[1 1 3 4 5 9]
sorted_desc = sort(vec, 'descend'); % 降序：[9 5 4 3 1 1]

% 获取排序索引
[sorted_vec, indices] = sort(vec);
% sorted_vec = [1 1 3 4 5 9]
% indices = [2 4 1 3 5 6]

% 矩阵排序
matrix = [3, 1, 4; 1, 5, 9; 2, 6, 5];
sorted_matrix = sort(matrix);       % 按列排序
sorted_matrix2 = sort(matrix, 2);   % 按行排序

---

4. 运算符详解

4.1 算术运算符

4.1.1 标量运算

% 基本运算
a = 10; b = 3;
addition = a + b;       % 加法：13
subtraction = a - b;    % 减法：7
multiplication = a * b;  % 乘法：30
division = a / b;       % 除法：3.3333
power = a ^ b;          % 幂运算：1000
modulo = mod(a, b);     % 取模：1

4.1.2 矩阵运算

A = [1, 2; 3, 4];
B = [5, 6; 7, 8];
scalar = 2;

% 矩阵加减法
C = A + B;              % 矩阵加法：[6 8; 10 12]
D = A - B;              % 矩阵减法：[-4 -4; -4 -4]

% 矩阵乘法
E = A * B;              % 矩阵乘法：[19 22; 43 50]
F = A * scalar;         % 标量乘法：[2 4; 6 8]

% 矩阵除法
G = A / B;              % 右除：A * inv(B)
H = A \ B;              % 左除：inv(A) * B

% 矩阵幂运算
I = A ^ 2;              % 矩阵幂：A * A

4.1.3 逐元素运算（重要！）

A = [1, 2; 3, 4];
B = [5, 6; 7, 8];

% 逐元素运算（注意点号）
C = A .* B;             % 逐元素乘法：[5 12; 21 32]
D = A ./ B;             % 逐元素除法：[0.2 0.333; 0.429 0.5]
E = A .^ 2;             % 逐元素平方：[1 4; 9 16]
F = A .^ B;             % 逐元素幂运算：[1 64; 2187 65536]

% 逐元素函数
G = sqrt(A);            % 逐元素开方
H = sin(A);             % 逐元素正弦
I = exp(A);             % 逐元素指数

4.2 比较运算符

a = 5; b = 3;
A = [1, 2, 3; 4, 5, 6];
B = [1, 0, 4; 4, 5, 0];

% 标量比较
result1 = a > b;        % true
result2 = a == b;       % false
result3 = a ~= b;       % true（注意：不是!=）
result4 = a <= b;       % false

% 矩阵比较（逐元素）
C = A > B;              % [false true false; false false true]
D = A == B;             % [true false false; true true false]
E = A ~= B;             % [false true true; false false true]

% 矩阵比较函数
is_equal = isequal(A, B);    % false（整体比较）
is_close = all(abs(A-B) < 1e-10, 'all'); % 近似相等判断

4.3 逻辑运算符

% 逻辑运算符
a = true; b = false;
result1 = a && b;       % 逻辑与（短路）：false
result2 = a || b;       % 逻辑或（短路）：true
result3 = ~a;           % 逻辑非：false

% 数组逻辑运算符
A = [true, false; true, true];
B = [false, true; true, false];
C = A & B;              % 逐元素与：[false false; true false]
D = A | B;              % 逐元素或：[true true; true true]
E = ~A;                 % 逐元素非：[false true; false false]

% 逻辑函数
result_any = any(A);    % 任意元素为真：[true true]
result_all = all(A);    % 所有元素为真：[true false]
result_any_all = any(A, 'all');  % 任意元素为真：true
result_all_all = all(A, 'all');  % 所有元素为真：false

4.4 位运算符

% 位运算
a = 5;  % 二进制：101
b = 3;  % 二进制：011

bit_and = bitand(a, b);     % 位与：1
bit_or = bitor(a, b);       % 位或：7
bit_xor = bitxor(a, b);     % 位异或：6
bit_not = bitcmp(a, 8);     % 位非（8位）：250
bit_shift_left = bitshift(a, 2);   % 左移2位：20
bit_shift_right = bitshift(a, -1); % 右移1位：2

---

5. 控制结构

5.1 条件语句

5.1.1 if-else语句

% 基本if语句
x = 10;
if x > 5
    disp('x大于5');
end

% if-else语句
x = 3;
if x > 5
    disp('x大于5');
else
    disp('x不大于5');
end

% if-elseif-else语句
score = 85;
if score >= 90
    grade = 'A';
elseif score >= 80
    grade = 'B';
elseif score >= 70
    grade = 'C';
elseif score >= 60
    grade = 'D';
else
    grade = 'F';
end
fprintf('成绩等级: %s\n', grade);

% 复合条件
age = 25;
income = 50000;
if age >= 18 && income > 30000
    disp('符合贷款条件');
elseif age >= 18 || income > 100000
    disp('需要进一步评估');
else
    disp('不符合贷款条件');
end

5.1.2 switch-case语句

% 基本switch语句
day = 3;
switch day
    case 1
        day_name = '周一';
    case 2
        day_name = '周二';
    case 3
        day_name = '周三';
    case 4
        day_name = '周四';
    case 5
        day_name = '周五';
    case {6, 7}         % 多个case值
        day_name = '周末';
    otherwise
        day_name = '无效日期';
end
fprintf('今天是%s\n', day_name);

% 字符串switch
operation = 'add';
a = 10; b = 5;
switch operation
    case 'add'
        result = a + b;
    case 'subtract'
        result = a - b;
    case 'multiply'
        result = a * b;
    case 'divide'
        if b ~= 0
            result = a / b;
        else
            result = NaN;
        end
    otherwise
        result = NaN;
end

5.2 循环结构

5.2.1 for循环

% 基本for循环
for i = 1:5
    fprintf('i = %d\n', i);
end

% 步长循环
for i = 1:2:10
    fprintf('i = %d\n', i);  % 输出1, 3, 5, 7, 9
end

% 递减循环
for i = 10:-1:1
    fprintf('i = %d\n', i);
end

% 遍历数组
numbers = [2, 4, 6, 8, 10];
for num = numbers
    fprintf('数字: %d\n', num);
end

% 嵌套循环
for i = 1:3
    for j = 1:3
        fprintf('(%d, %d) ', i, j);
    end
    fprintf('\n');
end

% 矩阵循环
A = [1, 2, 3; 4, 5, 6];
for i = 1:size(A, 1)        % 遍历行
    for j = 1:size(A, 2)    % 遍历列
        fprintf('A(%d,%d) = %d\n', i, j, A(i,j));
    end
end

5.2.2 while循环

% 基本while循环
i = 1;
while i <= 5
    fprintf('i = %d\n', i);
    i = i + 1;
end

% 条件循环
sum_val = 0;
i = 1;
while sum_val < 100
    sum_val = sum_val + i;
    i = i + 1;
end
fprintf('和为%d时，i = %d\n', sum_val, i-1);

% 无限循环（需要break跳出）
counter = 0;
while true
    counter = counter + 1;
    if counter > 10
        break;
    end
    fprintf('计数器: %d\n', counter);
end

5.2.3 循环控制语句

% break语句
for i = 1:10
    if i == 5
        break;      % 跳出循环
    end
    fprintf('i = %d\n', i);
end

% continue语句
for i = 1:10
    if mod(i, 2) == 0
        continue;   % 跳过偶数
    end
    fprintf('奇数: %d\n', i);
end

% 嵌套循环中的break
for i = 1:3
    for j = 1:3
        if i == 2 && j == 2
            break;  % 只跳出内层循环
        end
        fprintf('(%d, %d) ', i, j);
    end
    fprintf('\n');
end

5.3 异常处理

% try-catch语句
try
    a = 10;
    b = 0;
    result = a / b;     % 这会产生Inf，不是错误

    % 故意产生错误
    matrix = [1, 2; 3, 4];
    value = matrix(5, 5);   % 索引越界

catch ME
    fprintf('捕获到错误: %s\n', ME.message);
    fprintf('错误标识符: %s\n', ME.identifier);
    fprintf('错误位置: %s, 行%d\n', ME.stack(1).name, ME.stack(1).line);

    % 处理错误
    result = NaN;
end

% 完整的try-catch-end结构
filename = 'nonexistent.txt';
try
    data = load(filename);
    fprintf('文件加载成功\n');
catch ME
    if strcmp(ME.identifier, 'MATLAB:load:couldNotReadFile')
        fprintf('文件不存在: %s\n', filename);
        data = [];
    else
        fprintf('未知错误: %s\n', ME.message);
        rethrow(ME);    % 重新抛出错误
    end
end

---

6. 函数编程

6.1 函数基础

6.1.1 函数定义

% 基本函数定义（保存为separate .m文件）
function result = square(x)
    % SQUARE 计算输入的平方
    % 输入: x - 数值或数组
    % 输出: result - x的平方
    result = x .^ 2;
end

% 多输入参数函数
function result = add_numbers(a, b, c)
    % 计算三个数的和
    result = a + b + c;
end

% 多输出参数函数
function [sum_val, diff_val, prod_val] = calculate(a, b)
    % 计算两数的和、差、积
    sum_val = a + b;
    diff_val = a - b;
    prod_val = a * b;
end

% 可变参数函数
function result = sum_all(varargin)
    % 计算所有输入参数的和
    result = 0;
    for i = 1:nargin
        result = result + varargin{i};
    end
end

6.1.2 函数调用

% 调用基本函数
x = 5;
y = square(x);          % y = 25

% 调用多参数函数
result = add_numbers(1, 2, 3);  % result = 6

% 调用多输出函数
[s, d, p] = calculate(10, 5);   % s=15, d=5, p=50
s_only = calculate(10, 5);      % 只获取第一个输出

% 调用可变参数函数
total = sum_all(1, 2, 3, 4, 5); % total = 15

6.2 高级函数特性

6.2.1 默认参数和参数检查

% 使用inputParser进行参数解析
function result = advanced_function(data, varargin)
    % 高级函数示例，演示参数解析

    % 创建输入解析器
    p = inputParser;

    % 必需参数
    addRequired(p, 'data', @isnumeric);

    % 可选参数
    addOptional(p, 'method', 'mean', @(x) any(validatestring(x, {'mean', 'median', 'sum'})));

    % 名称-值对参数
    addParameter(p, 'normalize', false, @islogical);
    addParameter(p, 'precision', 2, @(x) isnumeric(x) && x > 0);

    % 解析输入
    parse(p, data, varargin{:});

    % 提取参数
    method = p.Results.method;
    normalize = p.Results.normalize;
    precision = p.Results.precision;

    % 数据预处理
    if normalize
        data = data / max(data);
    end

    % 根据方法计算结果
    switch method
        case 'mean'
            result = mean(data);
        case 'median'
            result = median(data);
        case 'sum'
            result = sum(data);
    end

    % 精度控制
    result = round(result, precision);
end

% 调用示例
data = [1, 2, 3, 4, 5];
result1 = advanced_function(data);                           % 使用默认参数
result2 = advanced_function(data, 'median');                 % 指定方法
result3 = advanced_function(data, 'sum', 'normalize', true); % 使用名称-值对

6.2.2 嵌套函数和子函数

% 嵌套函数示例
function main_function()
    % 主函数
    x = 10;
    y = 5;

    % 调用嵌套函数
    result = nested_calculation();
    fprintf('结果: %d\n', result);

    % 嵌套函数可以访问主函数的变量
    function output = nested_calculation()
        output = x + y;  % 可以直接使用x和y
    end
end

% 子函数示例（在同一个.m文件中）
function main_with_subfunctions()
    % 主函数
    data = [1, 2, 3, 4, 5];
    processed = process_data(data);
    display_results(processed);
end

function result = process_data(data)
    % 子函数1
    result = data .* 2 + 1;
end

function display_results(data)
    % 子函数2
    fprintf('处理后的数据: ');
    fprintf('%d ', data);
    fprintf('\n');
end

6.2.3 匿名函数和函数句柄

% 匿名函数
square_func = @(x) x.^2;
result = square_func(5);        % 25

% 多参数匿名函数
add_func = @(a, b) a + b;
result = add_func(3, 4);        % 7

% 复杂匿名函数
complex_func = @(x, y) sqrt(x.^2 + y.^2);
result = complex_func(3, 4);    % 5

% 函数句柄
my_sin = @sin;
result = my_sin(pi/2);          % 1

% 传递函数作为参数
function result = apply_function(data, func)
    result = func(data);
end

data = [1, 2, 3, 4, 5];
squared = apply_function(data, @(x) x.^2);

6.2.4 递归函数

% 阶乘函数
function result = factorial_recursive(n)
    if n <= 1
        result = 1;
    else
        result = n * factorial_recursive(n - 1);
    end
end

% 斐波那契数列
function result = fibonacci(n)
    if n <= 1
        result = n;
    else
        result = fibonacci(n-1) + fibonacci(n-2);
    end
end

% 优化的斐波那契（使用持久变量）
function result = fibonacci_optimized(n)
    persistent cache;
    if isempty(cache)
        cache = containers.Map('KeyType', 'int32', 'ValueType', 'double');
    end

    if n <= 1
        result = n;
    elseif isKey(cache, n)
        result = cache(n);
    else
        result = fibonacci_optimized(n-1) + fibonacci_optimized(n-2);
        cache(n) = result;
    end
end

---

7. 数据输入输出

7.1 命令行输入输出

% 显示输出
disp('Hello, MATLAB!');           % 显示字符串
disp([1, 2, 3, 4, 5]);           % 显示数组

% 格式化输出
name = 'Alice';
age = 25;
height = 1.65;
fprintf('姓名: %s, 年龄: %d, 身高: %.2f米\n', name, age, height);

% 格式化字符串
formatted_str = sprintf('圆周率: %.4f', pi);

% 用户输入
user_input = input('请输入一个数字: ');
user_string = input('请输入您的姓名: ', 's');

% 带提示的输入
choice = input('请选择 (1-是, 0-否): ');
if choice == 1
    disp('您选择了是');
else
    disp('您选择了否');
end

7.2 文件读写

7.2.1 文本文件操作

% 写入文本文件
filename = 'example.txt';
fileID = fopen(filename, 'w');
if fileID == -1
    error('无法创建文件');
end

% 写入数据
fprintf(fileID, '这是第一行\n');
fprintf(fileID, '数字: %d, 小数: %.2f\n', 42, 3.14159);
fclose(fileID);

% 读取文本文件
fileID = fopen(filename, 'r');
if fileID == -1
    error('无法打开文件');
end

% 逐行读取
line_count = 0;
while ~feof(fileID)
    line = fgetl(fileID);
    if ischar(line)
        line_count = line_count + 1;
        fprintf('第%d行: %s\n', line_count, line);
    end
end
fclose(fileID);

% 一次性读取所有内容
content = fileread(filename);
disp(content);

7.2.2 CSV文件操作

% 创建示例数据
data = [1, 2, 3; 4, 5, 6; 7, 8, 9];
headers = {'A', 'B', 'C'};

% 写入CSV文件
writematrix(data, 'data.csv');

% 带标题的CSV写入
T = table(data(:,1), data(:,2), data(:,3), 'VariableNames', headers);
writetable(T, 'data_with_headers.csv');

% 读取CSV文件
loaded_data = readmatrix('data.csv');
loaded_table = readtable('data_with_headers.csv');

% 处理CSV数据
fprintf('数据维度: %dx%d\n', size(loaded_data));
fprintf('数据和: %.2f\n', sum(loaded_data, 'all'));

7.2.3 Excel文件操作

% 创建Excel文件
data = rand(10, 5);
column_names = {'列1', '列2', '列3', '列4', '列5'};
T = table(data(:,1), data(:,2), data(:,3), data(:,4), data(:,5), ...
          'VariableNames', column_names);

% 写入Excel
writetable(T, 'example.xlsx', 'Sheet', 'Sheet1');

% 读取Excel
excel_data = readtable('example.xlsx');
excel_matrix = readmatrix('example.xlsx');

% 读取特定范围
range_data = readmatrix('example.xlsx', 'Range', 'A1:C5');

7.3 MAT文件操作

% 保存变量到MAT文件
a = [1, 2, 3];
b = 'Hello';
c = struct('name', 'Alice', 'age', 25);

% 保存所有变量
save('data.mat');

% 保存特定变量
save('specific_data.mat', 'a', 'b');

% 加载MAT文件
clear;  % 清除当前变量
load('data.mat');  % 加载所有变量

% 加载特定变量
load('data.mat', 'a');  % 只加载变量a

% 查看MAT文件内容
file_info = whos('-file', 'data.mat');
disp(file_info);

---

8. 绘图与可视化

8.1 二维绘图

8.1.1 基本绘图函数

% 基本线图
x = 0:0.1:2*pi;
y = sin(x);
figure;
plot(x, y);
title('正弦函数');
xlabel('x');
ylabel('sin(x)');
grid on;

% 多条线图
x = 0:0.1:2*pi;
y1 = sin(x);
y2 = cos(x);
figure;
plot(x, y1, 'r-', x, y2, 'b--');
legend('sin(x)', 'cos(x)');
title('三角函数');
xlabel('x');
ylabel('y');
grid on;

% 散点图
x = randn(100, 1);
y = 2*x + randn(100, 1);
figure;
scatter(x, y, 50, 'filled');
title('散点图');
xlabel('x');
ylabel('y');

8.1.2 图形样式设置

% 线条样式
x = 0:0.1:2*pi;
y = sin(x);
figure;
plot(x, y, 'r-', 'LineWidth', 2, 'MarkerSize', 8);
title('自定义样式', 'FontSize', 14, 'FontWeight', 'bold');
xlabel('x', 'FontSize', 12);
ylabel('sin(x)', 'FontSize', 12);
grid on;
set(gca, 'FontSize', 10);

% 颜色映射
x = -2:0.1:2;
y = -2:0.1:2;
[X, Y] = meshgrid(x, y);
Z = X.*exp(-X.^2-Y.^2);
figure;
contourf(X, Y, Z, 20);
colorbar;
title('等高线图');
xlabel('x');
ylabel('y');

8.1.3 子图

% 创建子图
figure;
x = 0:0.1:2*pi;

% 子图1
subplot(2, 2, 1);
plot(x, sin(x));
title('sin(x)');
grid on;

% 子图2
subplot(2, 2, 2);
plot(x, cos(x));
title('cos(x)');
grid on;

% 子图3
subplot(2, 2, 3);
plot(x, tan(x));
title('tan(x)');
ylim([-5, 5]);
grid on;

% 子图4
subplot(2, 2, 4);
plot(x, exp(-x));
title('exp(-x)');
grid on;

8.2 三维绘图

% 三维线图
t = 0:0.1:3*pi;
x = cos(t);
y = sin(t);
z = t;
figure;
plot3(x, y, z);
title('三维螺旋线');
xlabel('x');
ylabel('y');
zlabel('z');
grid on;

% 三维曲面
[X, Y] = meshgrid(-2:0.1:2, -2:0.1:2);
Z = X.*exp(-X.^2-Y.^2);
figure;
surf(X, Y, Z);
title('三维曲面');
xlabel('x');
ylabel('y');
zlabel('z');
colorbar;
shading interp;  % 平滑着色

% 三维散点图
x = randn(100, 1);
y = randn(100, 1);
z = randn(100, 1);
c = x + y + z;  % 颜色数据
figure;
scatter3(x, y, z, 50, c, 'filled');
title('三维散点图');
xlabel('x');
ylabel('y');
zlabel('z');
colorbar;

8.3 特殊图形

% 柱状图
categories = {'A', 'B', 'C', 'D', 'E'};
values = [23, 45, 56, 78, 32];
figure;
bar(values);
set(gca, 'XTickLabel', categories);
title('柱状图');
ylabel('值');

% 饼图
labels = {'类别1', '类别2', '类别3', '类别4'};
sizes = [30, 25, 25, 20];
figure;
pie(sizes, labels);
title('饼图');

% 直方图
data = randn(1000, 1);
figure;
histogram(data, 30);
title('直方图');
xlabel('值');
ylabel('频次');

% 箱线图
groups = {'组1', '组2', '组3'};
data1 = randn(100, 1);
data2 = randn(100, 1) + 1;
data3 = randn(100, 1) + 2;
figure;
boxplot([data1; data2; data3], [ones(100,1); 2*ones(100,1); 3*ones(100,1)]);
set(gca, 'XTickLabel', groups);
title('箱线图');
ylabel('值');

---

9. 字符串处理

9.1 字符串基础

% 字符数组 vs 字符串数组
char_array = 'Hello World';           % 字符数组
string_array = "Hello World";         % 字符串数组

% 字符串长度
len1 = length(char_array);            % 11
len2 = strlength(string_array);       % 11

% 字符串连接
% 字符数组连接
combined_char = [char_array, ' MATLAB'];
combined_char2 = strcat(char_array, ' MATLAB');

% 字符串数组连接
combined_string = string_array + " MATLAB";
combined_string2 = strcat(string_array, " MATLAB");

9.2 字符串操作函数

% 字符串查找
text = "Hello World MATLAB";
pos = strfind(text, "World");         % 查找位置
contains_result = contains(text, "MATLAB");  % 是否包含
starts_result = startsWith(text, "Hello");   % 是否以...开头
ends_result = endsWith(text, "MATLAB");      % 是否以...结尾

% 字符串替换
original = "Hello World";
replaced = replace(original, "World", "MATLAB");  % "Hello MATLAB"

% 字符串分割
sentence = "apple,banana,cherry";
parts = split(sentence, ",");         % ["apple"; "banana"; "cherry"]

% 字符串转换
upper_text = upper("hello world");    % "HELLO WORLD"
lower_text = lower("HELLO WORLD");    % "hello world"
title_text = title("hello world");   % "Hello World"

9.3 正则表达式

% 正则表达式匹配
text = "My phone number is 123-456-7890";
pattern = '\d{3}-\d{3}-\d{4}';
match = regexp(text, pattern, 'match');  % {'123-456-7890'}

% 提取数字
text = "Price: $25.99, Tax: $2.60";
numbers = regexp(text, '\d+\.\d+', 'match');  % {'25.99', '2.60'}

% 替换模式
email = "contact@example.com";
domain_pattern = '@\w+\.\w+';
new_email = regexprep(email, domain_pattern, '@newdomain.com');

9.4 字符串格式化

% sprintf格式化
name = "Alice";
age = 25;
formatted = sprintf("姓名: %s, 年龄: %d", name, age);

% 现代字符串格式化
formatted_modern = name + " is " + age + " years old";

% 数值格式化
pi_formatted = sprintf("π ≈ %.4f", pi);

% 日期格式化
current_date = datetime('now');
date_string = string(current_date, 'yyyy-MM-dd HH:mm:ss');

---

10. 结构体与元胞数组

10.1 结构体

10.1.1 结构体创建和访问

% 创建结构体
student.name = 'Alice';
student.age = 20;
student.scores = [85, 92, 78];

% 或者使用struct函数
student2 = struct('name', 'Bob', 'age', 21, 'scores', [90, 88, 95]);

% 访问结构体字段
fprintf('学生姓名: %s\n', student.name);
fprintf('平均分: %.2f\n', mean(student.scores));

10.1.2 结构体数组

% 创建结构体数组
students(1) = struct('name', 'Alice', 'age', 20, 'scores', [85, 92, 78]);
students(2) = struct('name', 'Bob', 'age', 21, 'scores', [90, 88, 95]);
students(3) = struct('name', 'Charlie', 'age', 19, 'scores', [88, 90, 92]);

% 访问结构体数组
for i = 1:length(students)
    fprintf('学生%d: %s, 年龄: %d, 平均分: %.2f\n', ...
            i, students(i).name, students(i).age, mean(students(i).scores));
end

% 提取特定字段
names = {students.name};              % 所有姓名
ages = [students.age];                % 所有年龄

10.1.3 嵌套结构体

% 嵌套结构体
company.name = 'Tech Corp';
company.employees(1).name = 'Alice';
company.employees(1).position = 'Engineer';
company.employees(1).salary = 75000;
company.employees(2).name = 'Bob';
company.employees(2).position = 'Manager';
company.employees(2).salary = 85000;

% 访问嵌套结构体
fprintf('公司: %s\n', company.name);
for i = 1:length(company.employees)
    emp = company.employees(i);
    fprintf('员工%d: %s, 职位: %s, 薪资: $%d\n', ...
            i, emp.name, emp.position, emp.salary);
end

10.2 元胞数组

10.2.1 元胞数组创建

% 创建元胞数组
cell_array = {'Hello', 42, [1, 2, 3], true};

% 预分配元胞数组
large_cell = cell(3, 3);
large_cell{1, 1} = 'Text';
large_cell{1, 2} = 123;
large_cell{2, 1} = [1, 2, 3; 4, 5, 6];

% 混合数据类型
mixed_data = {
    'Name', 'Alice';
    'Age', 25;
    'Scores', [85, 92, 78];
    'Graduate', true
};

10.2.2 元胞数组操作

% 访问元胞数组
first_element = cell_array{1};        % 'Hello'
second_element = cell_array{2};       % 42

% 修改元胞数组
cell_array{1} = 'Modified';

% 元胞数组大小
[rows, cols] = size(mixed_data);
total_elements = numel(cell_array);

% 元胞数组转换
if all(cellfun(@isnumeric, cell_array(2:3)))
    numeric_part = cell2mat(cell_array(2:3));
end

10.2.3 元胞数组的高级操作

% 使用cellfun处理元胞数组
numbers_cell = {[1, 2, 3], [4, 5], [6, 7, 8, 9]};
lengths = cellfun(@length, numbers_cell);  % [3, 2, 4]
means = cellfun(@mean, numbers_cell);      % [2, 4.5, 6.5]

% 字符串元胞数组操作
names = {'Alice', 'Bob', 'Charlie'};
name_lengths = cellfun(@length, names);
upper_names = cellfun(@upper, names, 'UniformOutput', false);

% 元胞数组排序
[sorted_names, indices] = sort(names);

---

11. 文件操作

11.1 文件系统操作

% 当前目录操作
current_dir = pwd;                    % 获取当前目录
cd('/path/to/directory');             % 改变目录
cd(current_dir);                      % 返回原目录

% 文件和目录信息
file_info = dir('*.m');               % 列出所有.m文件
folder_info = dir();                  % 列出当前目录所有内容

% 检查文件/目录存在性
if exist('data.mat', 'file')
    disp('文件存在');
end

if exist('my_folder', 'dir')
    disp('目录存在');
end

% 创建和删除目录
if ~exist('temp_folder', 'dir')
    mkdir('temp_folder');
end
rmdir('temp_folder');                 % 删除空目录

11.2 文件路径操作

% 路径构建
full_path = fullfile('data', 'results', 'output.txt');

% 路径分析
[path, name, ext] = fileparts(full_path);
fprintf('路径: %s\n', path);
fprintf('文件名: %s\n', name);
fprintf('扩展名: %s\n', ext);

% 相对路径和绝对路径
relative_path = 'data/file.txt';
absolute_path = fullfile(pwd, relative_path);

11.3 批量文件处理

% 批量处理文件
file_list = dir('*.txt');
for i = 1:length(file_list)
    filename = file_list(i).name;
    fprintf('处理文件: %s\n', filename);

    % 读取文件
    content = fileread(filename);

    % 处理内容（示例：转换为大写）
    processed_content = upper(content);

    % 保存处理后的文件
    new_filename = ['processed_', filename];
    fid = fopen(new_filename, 'w');
    fprintf(fid, '%s', processed_content);
    fclose(fid);
end

---

12. 调试与错误处理

12.1 调试技巧

% 断点调试
function debug_example()
    x = 1:10;
    y = x.^2;

    % 在此处设置断点
    keyboard;  % 手动断点

    z = y + x;
    result = sum(z);

    fprintf('结果: %d\n', result);
end

% 条件断点
function conditional_debug()
    for i = 1:100
        value = rand();
        if value > 0.95
            keyboard;  % 当条件满足时暂停
        end
    end
end

12.2 错误处理策略

% 完整的错误处理示例
function safe_divide(a, b)
    try
        % 参数验证
        if nargin < 2
            error('需要两个输入参数');
        end

        if ~isnumeric(a) || ~isnumeric(b)
            error('输入必须是数值');
        end

        if b == 0
            warning('除数为零，返回Inf');
            result = Inf;
        else
            result = a / b;
        end

        fprintf('结果: %.4f\n', result);

    catch ME
        % 错误处理
        fprintf('错误类型: %s\n', ME.identifier);
        fprintf('错误信息: %s\n', ME.message);

        % 记录错误
        log_error(ME);

        % 重新抛出特定错误
        if strcmp(ME.identifier, 'MATLAB:narginchk:notEnoughInputs')
            rethrow(ME);
        end
    end
end

function log_error(error_info)
    % 错误日志记录
    log_file = 'error_log.txt';
    fid = fopen(log_file, 'a');
    fprintf(fid, '[%s] %s: %s\n', datestr(now), error_info.identifier, error_info.message);
    fclose(fid);
end

---

13. 性能优化

13.1 向量化操作

% 避免循环，使用向量化
% 低效的循环方式
tic;
n = 1000000;
result_loop = zeros(n, 1);
for i = 1:n
    result_loop(i) = sin(i) + cos(i);
end
time_loop = toc;

% 高效的向量化方式
tic;
x = 1:n;
result_vectorized = sin(x) + cos(x);
time_vectorized = toc;

fprintf('循环时间: %.4f秒\n', time_loop);
fprintf('向量化时间: %.4f秒\n', time_vectorized);
fprintf('速度提升: %.2f倍\n', time_loop / time_vectorized);

13.2 内存管理

% 预分配数组
% 低效方式
tic;
slow_array = [];
for i = 1:10000
    slow_array(end+1) = i^2;
end
time_slow = toc;

% 高效方式
tic;
fast_array = zeros(10000, 1);
for i = 1:10000
    fast_array(i) = i^2;
end
time_fast = toc;

fprintf('动态分配时间: %.4f秒\n', time_slow);
fprintf('预分配时间: %.4f秒\n', time_fast);

13.3 性能分析

% 使用profile进行性能分析
profile on;
complex_calculation();
profile off;
profile viewer;  % 查看性能报告

function complex_calculation()
    % 复杂计算示例
    data = randn(1000, 1000);

    % 矩阵运算
    result1 = data * data';

    % 统计计算
    result2 = mean(data, 2);

    % 排序
    result3 = sort(data, 2);
end

---

14. 工具箱简介

14.1 常用工具箱

14.1.1 Signal Processing Toolbox（信号处理工具箱）

% 信号处理示例
fs = 1000;              % 采样频率
t = 0:1/fs:1-1/fs;      % 时间向量
f1 = 50; f2 = 120;      % 频率
signal = sin(2*pi*f1*t) + 0.5*sin(2*pi*f2*t);

% 添加噪声
noisy_signal = signal + 0.2*randn(size(t));

% 设计滤波器
[b, a] = butter(4, 100/(fs/2));  % 4阶低通滤波器
filtered_signal = filter(b, a, noisy_signal);

% 绘图
figure;
subplot(3,1,1);
plot(t, signal);
title('原始信号');

subplot(3,1,2);
plot(t, noisy_signal);
title('带噪声信号');

subplot(3,1,3);
plot(t, filtered_signal);
title('滤波后信号');

% 频谱分析
figure;
Y = fft(noisy_signal);
f = (0:length(Y)-1)*fs/length(Y);
plot(f, abs(Y));
title('频谱分析');
xlabel('频率 (Hz)');
ylabel('幅度');

14.1.2 Image Processing Toolbox（图像处理工具箱）

% 图像处理示例
% 读取图像
img = imread('cameraman.tif');  % MATLAB自带图像
figure;
subplot(2,3,1);
imshow(img);
title('原图');

% 直方图均衡化
img_eq = histeq(img);
subplot(2,3,2);
imshow(img_eq);
title('直方图均衡化');

% 边缘检测
edges = edge(img, 'canny');
subplot(2,3,3);
imshow(edges);
title('边缘检测');

% 高斯滤波
img_filtered = imgaussfilt(img, 2);
subplot(2,3,4);
imshow(img_filtered);
title('高斯滤波');

% 形态学操作
se = strel('disk', 3);
img_morph = imopen(img, se);
subplot(2,3,5);
imshow(img_morph);
title('形态学开运算');

% 图像分割
level = graythresh(img);
img_bw = imbinarize(img, level);
subplot(2,3,6);
imshow(img_bw);
title('二值化');

14.1.3 Statistics and Machine Learning Toolbox（统计和机器学习工具箱）

% 统计分析示例
rng(42);  % 设置随机种子
data = randn(1000, 2);
data(:,2) = data(:,2) + 0.5*data(:,1);  % 添加相关性

% 描述性统计
mean_vals = mean(data);
std_vals = std(data);
corr_matrix = corrcoef(data);

fprintf('均值: [%.2f, %.2f]\n', mean_vals(1), mean_vals(2));
fprintf('标准差: [%.2f, %.2f]\n', std_vals(1), std_vals(2));
fprintf('相关系数: %.2f\n', corr_matrix(1,2));

% 机器学习示例 - 聚类
% 生成聚类数据
cluster1 = mvnrnd([2, 2], [1, 0.5; 0.5, 1], 100);
cluster2 = mvnrnd([-2, -2], [1, -0.5; -0.5, 1], 100);
cluster3 = mvnrnd([2, -2], [1, 0; 0, 1], 100);
ml_data = [cluster1; cluster2; cluster3];

% K-means聚类
[idx, centers] = kmeans(ml_data, 3);

% 可视化聚类结果
figure;
colors = ['r', 'g', 'b'];
for i = 1:3
    scatter(ml_data(idx==i, 1), ml_data(idx==i, 2), colors(i), 'filled');
    hold on;
end
scatter(centers(:,1), centers(:,2), 100, 'k', 'x', 'LineWidth', 2);
title('K-means聚类结果');
legend('聚类1', '聚类2', '聚类3', '聚类中心');

14.1.4 Optimization Toolbox（优化工具箱）

% 优化问题示例
% 目标函数：最小化 f(x) = x1^2 + x2^2 + x1*x2
objective = @(x) x(1)^2 + x(2)^2 + x(1)*x(2);

% 初始点
x0 = [1, 1];

% 约束条件
% 不等式约束: x1 + x2 <= 2
A = [1, 1];
b = 2;

% 等式约束: x1 - x2 = 0
Aeq = [1, -1];
beq = 0;

% 求解
options = optimoptions('fmincon', 'Display', 'iter');
[x_optimal, fval] = fmincon(objective, x0, A, b, Aeq, beq, [], [], [], options);

fprintf('最优解: x = [%.4f, %.4f]\n', x_optimal(1), x_optimal(2));
fprintf('最优值: f = %.4f\n', fval);

14.1.5 Control System Toolbox（控制系统工具箱）

% 控制系统示例
% 传递函数
num = [1, 2];
den = [1, 3, 2];
sys = tf(num, den);

% 系统分析
figure;
subplot(2,2,1);
step(sys);
title('阶跃响应');

subplot(2,2,2);
impulse(sys);
title('脉冲响应');

subplot(2,2,3);
bode(sys);
title('波德图');

subplot(2,2,4);
nyquist(sys);
title('奈奎斯特图');

% 极点和零点
poles = pole(sys);
zeros = zero(sys);
fprintf('极点: ');
disp(poles');
fprintf('零点: ');
disp(zeros');

14.2 工具箱函数查找

% 查看已安装的工具箱
ver

% 查看特定工具箱的函数
help signal  % 信号处理工具箱
help images  % 图像处理工具箱
help stats   % 统计工具箱

% 搜索特定功能
lookfor filter  % 搜索包含"filter"的函数

---

15. 实战项目

15.1 项目1：数据分析与可视化

% 项目：分析股票数据
% 生成模拟股票数据
days = 1:252;  % 一年的交易日
initial_price = 100;
returns = 0.001 + 0.02*randn(1, 252);  % 日收益率
prices = initial_price * cumprod(1 + returns);

% 计算技术指标
function sma = simple_moving_average(data, window)
    sma = zeros(size(data));
    for i = window:length(data)
        sma(i) = mean(data(i-window+1:i));
    end
end

sma_20 = simple_moving_average(prices, 20);
sma_50 = simple_moving_average(prices, 50);

% 计算波动率
volatility = movstd(returns, 20) * sqrt(252);

% 绘制分析图表
figure('Position', [100, 100, 1200, 800]);

% 价格和移动平均线
subplot(3,1,1);
plot(days, prices, 'b-', 'LineWidth', 1.5);
hold on;
plot(days, sma_20, 'r--', 'LineWidth', 1);
plot(days, sma_50, 'g--', 'LineWidth', 1);
title('股票价格和移动平均线');
legend('价格', '20日均线', '50日均线');
ylabel('价格');
grid on;

% 日收益率
subplot(3,1,2);
plot(days, returns*100, 'k-');
title('日收益率');
ylabel('收益率 (%)');
grid on;

% 波动率
subplot(3,1,3);
plot(days, volatility*100, 'm-', 'LineWidth', 1.5);
title('20日滚动波动率');
ylabel('波动率 (%)');
xlabel('交易日');
grid on;

% 统计摘要
fprintf('=== 股票分析报告 ===\n');
fprintf('期初价格: $%.2f\n', prices(1));
fprintf('期末价格: $%.2f\n', prices(end));
fprintf('总收益率: %.2f%%\n', (prices(end)/prices(1) - 1)*100);
fprintf('平均日收益率: %.4f%%\n', mean(returns)*100);
fprintf('波动率: %.2f%%\n', std(returns)*sqrt(252)*100);
fprintf('最大回撤: %.2f%%\n', max(cummax(prices) - prices)./cummax(prices)*100);

15.2 项目2：信号处理应用

% 项目：音频信号处理
% 生成复合音频信号
fs = 44100;  % 采样率
duration = 3;  % 持续时间
t = 0:1/fs:duration-1/fs;

% 创建复合信号
freq1 = 440;   % A4音符
freq2 = 880;   % A5音符
freq3 = 1320;  % E6音符
signal = sin(2*pi*freq1*t) + 0.5*sin(2*pi*freq2*t) + 0.3*sin(2*pi*freq3*t);

% 添加噪声
noisy_signal = signal + 0.1*randn(size(t));

% 设计滤波器组
% 低通滤波器 (< 600 Hz)
[b_low, a_low] = butter(6, 600/(fs/2), 'low');
low_freq = filter(b_low, a_low, noisy_signal);

% 带通滤波器 (600-1000 Hz)
[b_band, a_band] = butter(6, [600, 1000]/(fs/2), 'bandpass');
mid_freq = filter(b_band, a_band, noisy_signal);

% 高通滤波器 (> 1000 Hz)
[b_high, a_high] = butter(6, 1000/(fs/2), 'high');
high_freq = filter(b_high, a_high, noisy_signal);

% 频谱分析
N = length(noisy_signal);
f = (0:N-1)*(fs/N);
Y_original = fft(signal);
Y_noisy = fft(noisy_signal);
Y_filtered = fft(low_freq + mid_freq + high_freq);

% 绘制结果
figure('Position', [100, 100, 1200, 900]);

% 时域信号
subplot(3,2,1);
plot(t(1:fs/10), signal(1:fs/10));
title('原始信号（前0.1秒）');
xlabel('时间 (s)');
ylabel('幅度');

subplot(3,2,2);
plot(t(1:fs/10), noisy_signal(1:fs/10));
title('含噪声信号（前0.1秒）');
xlabel('时间 (s)');
ylabel('幅度');

% 频谱
subplot(3,2,3);
plot(f(1:N/2), abs(Y_original(1:N/2)));
title('原始信号频谱');
xlabel('频率 (Hz)');
ylabel('幅度');

subplot(3,2,4);
plot(f(1:N/2), abs(Y_noisy(1:N/2)));
title('含噪声信号频谱');
xlabel('频率 (Hz)');
ylabel('幅度');

% 滤波后的信号
subplot(3,2,5);
plot(t(1:fs/10), (low_freq + mid_freq + high_freq)(1:fs/10));
title('滤波后信号（前0.1秒）');
xlabel('时间 (s)');
ylabel('幅度');

subplot(3,2,6);
plot(f(1:N/2), abs(Y_filtered(1:N/2)));
title('滤波后信号频谱');
xlabel('频率 (Hz)');
ylabel('幅度');

% 保存音频文件（如果需要）
% audiowrite('original_signal.wav', signal, fs);
% audiowrite('noisy_signal.wav', noisy_signal, fs);
% audiowrite('filtered_signal.wav', low_freq + mid_freq + high_freq, fs);

15.3 项目3：图像处理应用

% 项目：图像增强和特征提取
% 读取图像（使用MATLAB自带的图像）
img = imread('coins.png');
if size(img, 3) == 3
    img_gray = rgb2gray(img);
else
    img_gray = img;
end

% 图像预处理
img_enhanced = imadjust(img_gray);  % 对比度增强
img_filtered = imgaussfilt(img_enhanced, 1);  % 高斯滤波

% 边缘检测
edges = edge(img_filtered, 'canny');

% 形态学处理
se = strel('disk', 3);
img_closed = imclose(edges, se);
img_filled = imfill(img_closed, 'holes');

% 连通组件分析
[labeled, num_objects] = bwlabel(img_filled);
stats = regionprops(labeled, 'Area', 'Centroid', 'BoundingBox', 'Eccentricity');

% 过滤小对象
min_area = 500;
large_objects = [stats.Area] > min_area;
stats_filtered = stats(large_objects);

% 创建结果图像
result_img = img_gray;
figure('Position', [100, 100, 1200, 800]);

% 显示处理过程
subplot(2,3,1);
imshow(img_gray);
title('原图');

subplot(2,3,2);
imshow(img_enhanced);
title('对比度增强');

subplot(2,3,3);
imshow(edges);
title('边缘检测');

subplot(2,3,4);
imshow(img_filled);
title('形态学处理');

subplot(2,3,5);
imshow(img_gray);
hold on;
for i = 1:length(stats_filtered)
    centroid = stats_filtered(i).Centroid;
    plot(centroid(1), centroid(2), 'r+', 'MarkerSize', 10, 'LineWidth', 2);

    % 绘制边界框
    bbox = stats_filtered(i).BoundingBox;
    rectangle('Position', bbox, 'EdgeColor', 'g', 'LineWidth', 2);
end
title(sprintf('检测到的对象 (共%d个)', length(stats_filtered)));

subplot(2,3,6);
areas = [stats_filtered.Area];
histogram(areas, 10);
title('对象面积分布');
xlabel('面积 (像素)');
ylabel('数量');

% 输出统计信息
fprintf('=== 图像分析报告 ===\n');
fprintf('图像尺寸: %d × %d\n', size(img_gray, 1), size(img_gray, 2));
fprintf('检测到的对象数量: %d\n', length(stats_filtered));
fprintf('平均对象面积: %.2f 像素\n', mean(areas));
fprintf('最大对象面积: %.2f 像素\n', max(areas));
fprintf('最小对象面积: %.2f 像素\n', min(areas));

15.4 项目4：数值计算应用

% 项目：求解偏微分方程（热传导方程）
% 参数设置
L = 1;          % 长度
T = 0.1;        % 时间
alpha = 0.01;   % 热扩散系数
nx = 50;        % 空间网格数
nt = 1000;      % 时间步数

% 网格
dx = L / (nx - 1);
dt = T / nt;
x = 0:dx:L;
t = 0:dt:T;

% 稳定性检查
r = alpha * dt / dx^2;
if r > 0.5
    warning('数值不稳定，r = %.3f > 0.5', r);
end

% 初始条件
u = zeros(nx, nt+1);
u(:, 1) = sin(pi * x);  % 初始温度分布

% 边界条件（两端为0）
u(1, :) = 0;
u(end, :) = 0;

% 有限差分求解
for n = 1:nt
    for i = 2:nx-1
        u(i, n+1) = u(i, n) + r * (u(i+1, n) - 2*u(i, n) + u(i-1, n));
    end
end

% 解析解（用于验证）
u_analytical = zeros(nx, length(t));
for i = 1:length(t)
    u_analytical(:, i) = exp(-pi^2 * alpha * t(i)) * sin(pi * x);
end

% 绘制结果
figure('Position', [100, 100, 1200, 800]);

% 3D图
subplot(2,2,1);
[T_mesh, X_mesh] = meshgrid(t, x);
surf(T_mesh, X_mesh, u);
title('热传导方程数值解');
xlabel('时间');
ylabel('位置');
zlabel('温度');

% 不同时间点的温度分布
subplot(2,2,2);
time_points = [1, 101, 301, 501, 1001];
colors = ['b', 'r', 'g', 'm', 'k'];
for i = 1:length(time_points)
    plot(x, u(:, time_points(i)), colors(i), 'LineWidth', 2);
    hold on;
end
title('不同时间点的温度分布');
xlabel('位置');
ylabel('温度');
legend('t=0', 't=0.01', 't=0.03', 't=0.05', 't=0.1');

% 数值解vs解析解
subplot(2,2,3);
final_time_idx = length(t);
plot(x, u(:, final_time_idx), 'b-', 'LineWidth', 2);
hold on;
plot(x, u_analytical(:, final_time_idx), 'r--', 'LineWidth', 2);
title('t=0.1时的数值解与解析解比较');
xlabel('位置');
ylabel('温度');
legend('数值解', '解析解');

% 误差分析
subplot(2,2,4);
error = abs(u(:, final_time_idx) - u_analytical(:, final_time_idx));
plot(x, error, 'r-', 'LineWidth', 2);
title('数值解误差');
xlabel('位置');
ylabel('绝对误差');

fprintf('=== 数值计算报告 ===\n');
fprintf('网格数: %d\n', nx);
fprintf('时间步数: %d\n', nt);
fprintf('稳定性参数 r: %.3f\n', r);
fprintf('最大误差: %.6f\n', max(error));
fprintf('平均误差: %.6f\n', mean(error));

---

16. 常见问题与解决方案

16.1 常见错误及解决方法

16.1.1 索引错误

% 错误示例
A = [1, 2, 3];
try
    value = A(0);  % MATLAB索引从1开始，不是0
catch ME
    fprintf('错误: %s\n', ME.message);
end

% 正确方法
value = A(1);  % 获取第一个元素

% 动态索引检查
function safe_index = get_safe_index(array, index)
    if index < 1 || index > length(array)
        error('索引超出范围');
    end
    safe_index = array(index);
end

16.1.2 维度不匹配

% 错误示例
A = [1, 2, 3];      % 1×3
B = [4; 5; 6];      % 3×1
try
    C = A + B;
catch ME
    fprintf('错误: %s\n', ME.message);
end

% 解决方法1：转置
C1 = A + B';        % 1×3 + 1×3

% 解决方法2：使用广播
C2 = A + B';        % 自动广播

% 解决方法3：显式重塑
C3 = A + reshape(B, 1, 3);

16.1.3 数据类型问题

% 整数溢出
a = uint8(255);
b = uint8(10);
c = a + b;  % 溢出，结果为255而不是265
fprintf('uint8溢出: %d + %d = %d\n', a, b, c);

% 解决方法：使用更大的数据类型
a_double = double(a);
b_double = double(b);
c_correct = a_double + b_double;
fprintf('正确结果: %.0f + %.0f = %.0f\n', a_double, b_double, c_correct);

16.2 性能问题诊断

16.2.1 内存使用监控

% 监控内存使用
function memory_demo()
    % 获取当前内存使用
    memory_info = memory;
    fprintf('可用内存: %.2f GB\n', memory_info.MemAvailableAllArrays / 1e9);

    % 创建大数组
    fprintf('创建大数组...\n');
    big_array = randn(10000, 10000);

    % 检查内存使用
    memory_info = memory;
    fprintf('使用后可用内存: %.2f GB\n', memory_info.MemAvailableAllArrays / 1e9);

    % 清理内存
    clear big_array;
    fprintf('清理后可用内存: %.2f GB\n', memory.MemAvailableAllArrays / 1e9);
end

memory_demo();

16.2.2 代码剖析

% 性能测试函数
function performance_comparison()
    n = 1000;

    % 方法1：循环
    tic;
    result1 = zeros(n, 1);
    for i = 1:n
        result1(i) = sin(i) * cos(i);
    end
    time1 = toc;

    % 方法2：向量化
    tic;
    x = (1:n)';
    result2 = sin(x) .* cos(x);
    time2 = toc;

    % 方法3：内置函数
    tic;
    x = (1:n)';
    result3 = 0.5 * sin(2*x);  % 使用三角恒等式
    time3 = toc;

    fprintf('循环方法: %.6f 秒\n', time1);
    fprintf('向量化方法: %.6f 秒\n', time2);
    fprintf('优化方法: %.6f 秒\n', time3);

    % 验证结果一致性
    fprintf('结果一致性: %s\n', ...
        isequal(round(result1, 10), round(result2, 10), round(result3, 10)));
end

performance_comparison();

16.3 调试技巧

16.3.1 断点和单步执行

% 调试示例函数
function result = debug_example(x)
    % 设置断点：在此行左边点击
    y = x.^2;

    % 条件断点
    if any(y > 100)
        disp('发现大值');  % 在此设置断点
    end

    % 变量检查
    z = sin(y);
    result = sum(z);
end

% 调试命令
% dbstop in debug_example at 3  % 在第3行设置断点
% dbclear all                   % 清除所有断点
% dbstack                       % 显示调用栈

16.3.2 异常处理

% 健壮的异常处理
function robust_calculation(data)
    try
        % 输入验证
        if ~isnumeric(data)
            error('输入必须是数值');
        end

        if any(isnan(data))
            warning('数据包含NaN值，将被忽略');
            data = data(~isnan(data));
        end

        % 主要计算
        result = sqrt(mean(data.^2));
        fprintf('RMS值: %.4f\n', result);

    catch ME
        fprintf('错误发生在: %s\n', ME.stack(1).name);
        fprintf('错误行号: %d\n', ME.stack(1).line);
        fprintf('错误信息: %s\n', ME.message);

        % 记录错误
        error_log = struct('time', datetime, 'error', ME.message, 'data_size', size(data));
        save('error_log.mat', 'error_log', '-append');
    end
end

% 测试异常处理
robust_calculation([1, 2, 3, NaN, 5]);
robust_calculation('invalid');

16.4 最佳实践总结

16.4.1 编程风格

% 好的编程风格示例
function [mean_val, std_val, processed_data] = process_data(input_data, options)
    % PROCESS_DATA 处理输入数据并返回统计信息
    %
    % 输入:
    %   input_data - 数值数组
    %   options    - 处理选项结构体
    %
    % 输出:
    %   mean_val       - 平均值
    %   std_val        - 标准差
    %   processed_data - 处理后的数据

    % 输入验证
    arguments
        input_data (:,:) double
        options.remove_outliers (1,1) logical = false
        options.normalize (1,1) logical = false
    end

    % 初始化
    processed_data = input_data;

    % 移除异常值
    if options.remove_outliers
        q1 = quantile(processed_data, 0.25);
        q3 = quantile(processed_data, 0.75);
        iqr = q3 - q1;
        outliers = processed_data < (q1 - 1.5*iqr) | processed_data > (q3 + 1.5*iqr);
        processed_data(outliers) = NaN;
    end

    % 标准化
    if options.normalize
        processed_data = (processed_data - mean(processed_data, 'omitnan')) / ...
                        std(processed_data, 'omitnan');
    end

    % 计算统计量
    mean_val = mean(processed_data, 'omitnan');
    std_val = std(processed_data, 'omitnan');

    % 记录处理信息
    fprintf('处理完成: 均值=%.4f, 标准差=%.4f\n', mean_val, std_val);
end

% 使用示例
data = randn(1000, 1) + [zeros(950, 1); 10*ones(50, 1)];  % 包含异常值
[m, s, clean_data] = process_data(data, 'remove_outliers', true, 'normalize', true);

16.4.2 代码组织

% 主函数
function main()
    % 设置参数
    config = load_config();

    % 加载数据
    data = load_data(config.data_file);

    % 处理数据
    results = process_all_data(data, config);

    % 保存结果
    save_results(results, config.output_file);

    % 生成报告
    generate_report(results);
end

% 配置加载函数
function config = load_config()
    config.data_file = 'input_data.mat';
    config.output_file = 'results.mat';
    config.processing_options.filter_type = 'gaussian';
    config.processing_options.window_size = 10;
    config.visualization.create_plots = true;
    config.visualization.save_figures = true;
end

% 数据加载函数
function data = load_data(filename)
    if exist(filename, 'file')
        load(filename, 'data');
    else
        warning('数据文件不存在，使用模拟数据');
        data = generate_sample_data();
    end
end

% 数据处理函数
function results = process_all_data(data, config)
    results = struct();
    results.raw_statistics = calculate_statistics(data);
    results.filtered_data = apply_filter(data, config.processing_options);
    results.processed_statistics = calculate_statistics(results.filtered_data);

    if config.visualization.create_plots
        results.figures = create_visualizations(data, results.filtered_data);
    end
end

16.5 高级技巧和技术

16.5.1 面向对象编程

% 定义一个数据分析类
classdef DataAnalyzer < handle
    % DATAANALYZER 数据分析器类

    properties (Access = public)
        data                % 原始数据
        processed_data      % 处理后的数据
        statistics          % 统计信息
        options            % 处理选项
    end

    properties (Access = private)
        is_processed = false  % 是否已处理
    end

    methods
        function obj = DataAnalyzer(input_data, varargin)
            % 构造函数
            obj.data = input_data;
            obj.options = obj.parse_options(varargin{:});
            obj.statistics = struct();
        end

        function process(obj)
            % 处理数据
            obj.processed_data = obj.data;

            % 移除异常值
            if obj.options.remove_outliers
                obj.processed_data = obj.remove_outliers(obj.processed_data);
            end

            % 应用滤波
            if ~isempty(obj.options.filter_type)
                obj.processed_data = obj.apply_filter(obj.processed_data);
            end

            % 计算统计量
            obj.calculate_statistics();
            obj.is_processed = true;
        end

        function visualize(obj)
            % 可视化结果
            if ~obj.is_processed
                error('请先调用process()方法');
            end

            figure('Position', [100, 100, 1200, 600]);

            subplot(2,2,1);
            plot(obj.data);
            title('原始数据');
            ylabel('值');

            subplot(2,2,2);
            plot(obj.processed_data);
            title('处理后数据');
            ylabel('值');

            subplot(2,2,3);
            histogram(obj.data, 30);
            title('原始数据直方图');
            xlabel('值');
            ylabel('频数');

            subplot(2,2,4);
            histogram(obj.processed_data, 30);
            title('处理后数据直方图');
            xlabel('值');
            ylabel('频数');
        end

        function report = generate_report(obj)
            % 生成报告
            if ~obj.is_processed
                error('请先调用process()方法');
            end

            report = struct();
            report.original_stats = obj.statistics.original;
            report.processed_stats = obj.statistics.processed;
            report.improvement = obj.calculate_improvement();

            % 打印报告
            fprintf('\n=== 数据分析报告 ===\n');
            fprintf('原始数据统计:\n');
            fprintf('  均值: %.4f\n', report.original_stats.mean);
            fprintf('  标准差: %.4f\n', report.original_stats.std);
            fprintf('  范围: [%.4f, %.4f]\n', report.original_stats.min, report.original_stats.max);

            fprintf('\n处理后数据统计:\n');
            fprintf('  均值: %.4f\n', report.processed_stats.mean);
            fprintf('  标准差: %.4f\n', report.processed_stats.std);
            fprintf('  范围: [%.4f, %.4f]\n', report.processed_stats.min, report.processed_stats.max);

            fprintf('\n改善情况:\n');
            fprintf('  标准差减少: %.2f%%\n', report.improvement.std_reduction * 100);
            fprintf('  信噪比提升: %.2f dB\n', report.improvement.snr_improvement);
        end
    end

    methods (Access = private)
        function options = parse_options(obj, varargin)
            % 解析输入选项
            p = inputParser;
            addParameter(p, 'remove_outliers', false, @islogical);
            addParameter(p, 'filter_type', 'none', @ischar);
            addParameter(p, 'filter_window', 5, @isnumeric);
            parse(p, varargin{:});
            options = p.Results;
        end

        function data = remove_outliers(obj, data)
            % 移除异常值
            q1 = quantile(data, 0.25);
            q3 = quantile(data, 0.75);
            iqr = q3 - q1;
            outliers = data < (q1 - 1.5*iqr) | data > (q3 + 1.5*iqr);
            data(outliers) = NaN;
        end

        function data = apply_filter(obj, data)
            % 应用滤波器
            switch obj.options.filter_type
                case 'moving_average'
                    data = movmean(data, obj.options.filter_window, 'omitnan');
                case 'gaussian'
                    data = smoothdata(data, 'gaussian', obj.options.filter_window);
                case 'median'
                    data = movmedian(data, obj.options.filter_window, 'omitnan');
            end
        end

        function calculate_statistics(obj)
            % 计算统计量
            obj.statistics.original = obj.compute_stats(obj.data);
            obj.statistics.processed = obj.compute_stats(obj.processed_data);
        end

        function stats = compute_stats(obj, data)
            % 计算基本统计量
            stats.mean = mean(data, 'omitnan');
            stats.std = std(data, 'omitnan');
            stats.min = min(data, [], 'omitnan');
            stats.max = max(data, [], 'omitnan');
            stats.median = median(data, 'omitnan');
            stats.count = sum(~isnan(data));
        end

        function improvement = calculate_improvement(obj)
            % 计算改善指标
            original_std = obj.statistics.original.std;
            processed_std = obj.statistics.processed.std;

            improvement.std_reduction = (original_std - processed_std) / original_std;
            improvement.snr_improvement = 20 * log10(original_std / processed_std);
        end
    end
end

% 使用示例
data = randn(1000, 1) + 0.5*sin(0.1*(1:1000)') + [zeros(950, 1); 5*randn(50, 1)];
analyzer = DataAnalyzer(data, 'remove_outliers', true, 'filter_type', 'gaussian', 'filter_window', 10);
analyzer.process();
analyzer.visualize();
report = analyzer.generate_report();

16.5.2 并行计算

% 并行计算示例
function parallel_computing_demo()
    % 检查并行计算工具箱
    if ~license('test', 'Distrib_Computing_Toolbox')
        warning('未安装并行计算工具箱');
        return;
    end

    % 启动并行池
    if isempty(gcp('nocreate'))
        parpool('local', 4);  % 启动4个工作进程
    end

    % 数据准备
    n = 1000;
    matrices = cell(n, 1);
    for i = 1:n
        matrices{i} = randn(100, 100);
    end

    % 串行计算
    tic;
    serial_results = zeros(n, 1);
    for i = 1:n
        serial_results(i) = det(matrices{i});
    end
    serial_time = toc;

    % 并行计算
    tic;
    parallel_results = zeros(n, 1);
    parfor i = 1:n
        parallel_results(i) = det(matrices{i});
    end
    parallel_time = toc;

    % 比较结果
    fprintf('串行计算时间: %.4f 秒\n', serial_time);
    fprintf('并行计算时间: %.4f 秒\n', parallel_time);
    fprintf('加速比: %.2f\n', serial_time / parallel_time);
    fprintf('结果一致性: %s\n', mat2str(norm(serial_results - parallel_results) < 1e-10));
end

% 并行数据处理示例
function parallel_data_processing()
    % 生成大量数据集
    num_datasets = 20;
    datasets = cell(num_datasets, 1);
    for i = 1:num_datasets
        datasets{i} = randn(10000, 1) + sin(0.01*(1:10000)');
    end

    % 并行处理函数
    function result = process_dataset(data)
        % 复杂的数据处理
        filtered = smoothdata(data, 'gaussian', 50);
        fft_result = fft(filtered);
        power_spectrum = abs(fft_result).^2;
        result = struct('mean', mean(data), 'std', std(data), ...
                       'max_freq', max(power_spectrum), 'energy', sum(power_spectrum));
    end

    % 并行处理
    tic;
    results = cell(num_datasets, 1);
    parfor i = 1:num_datasets
        results{i} = process_dataset(datasets{i});
    end
    parallel_time = toc;

    fprintf('并行处理%d个数据集用时: %.4f 秒\n', num_datasets, parallel_time);

    % 汇总结果
    means = cellfun(@(x) x.mean, results);
    stds = cellfun(@(x) x.std, results);

    fprintf('平均值范围: [%.4f, %.4f]\n', min(means), max(means));
    fprintf('标准差范围: [%.4f, %.4f]\n', min(stds), max(stds));
end

% 运行并行计算示例
parallel_computing_demo();
parallel_data_processing();

16.5.3 GPU计算

% GPU计算示例
function gpu_computing_demo()
    % 检查GPU支持
    if ~canUseGPU()
        warning('GPU不可用或未安装Parallel Computing Toolbox');
        return;
    end

    % 显示GPU信息
    gpu_info = gpuDevice();
    fprintf('GPU: %s\n', gpu_info.Name);
    fprintf('GPU内存: %.2f GB\n', gpu_info.TotalMemory / 1e9);

    % 创建大矩阵
    n = 5000;
    A_cpu = randn(n, n);
    B_cpu = randn(n, n);

    % CPU计算
    tic;
    C_cpu = A_cpu * B_cpu;
    cpu_time = toc;

    % GPU计算
    A_gpu = gpuArray(A_cpu);
    B_gpu = gpuArray(B_cpu);

    tic;
    C_gpu = A_gpu * B_gpu;
    wait(gpu_info);  % 等待GPU计算完成
    gpu_time = toc;

    % 将结果传回CPU
    C_gpu_result = gather(C_gpu);

    % 比较结果
    fprintf('CPU计算时间: %.4f 秒\n', cpu_time);
    fprintf('GPU计算时间: %.4f 秒\n', gpu_time);
    fprintf('加速比: %.2f\n', cpu_time / gpu_time);
    fprintf('结果误差: %.2e\n', norm(C_cpu - C_gpu_result, 'fro') / norm(C_cpu, 'fro'));

    % 清理GPU内存
    clear A_gpu B_gpu C_gpu;
end

% GPU信号处理示例
function gpu_signal_processing()
    if ~canUseGPU()
        return;
    end

    % 生成信号
    fs = 1000;
    t = 0:1/fs:10-1/fs;
    signal_cpu = sin(2*pi*50*t) + 0.5*sin(2*pi*120*t) + 0.2*randn(size(t));

    % 传输到GPU
    signal_gpu = gpuArray(signal_cpu);

    % GPU上的FFT
    tic;
    fft_gpu = fft(signal_gpu);
    power_spectrum_gpu = abs(fft_gpu).^2;
    gpu_fft_time = toc;

    % CPU上的FFT
    tic;
    fft_cpu = fft(signal_cpu);
    power_spectrum_cpu = abs(fft_cpu).^2;
    cpu_fft_time = toc;

    fprintf('CPU FFT时间: %.6f 秒\n', cpu_fft_time);
    fprintf('GPU FFT时间: %.6f 秒\n', gpu_fft_time);

    % 验证结果
    power_spectrum_gpu_result = gather(power_spectrum_gpu);
    fprintf('FFT结果误差: %.2e\n', norm(power_spectrum_cpu - power_spectrum_gpu_result) / norm(power_spectrum_cpu));
end

% 如果有GPU，运行GPU计算示例
if canUseGPU()
    gpu_computing_demo();
    gpu_signal_processing();
end

16.6 与其他语言的接口

16.6.1 调用Python代码

% 调用Python示例
function python_interface_demo()
    % 检查Python环境
    try
        pyenv;
        fprintf('Python环境已配置\n');
    catch
        fprintf('Python环境未配置，请先配置Python\n');
        return;
    end

    % 调用Python内置函数
    py_list = py.list({1, 2, 3, 4, 5});
    py_sum = py.sum(py_list);
    fprintf('Python list sum: %d\n', py_sum);

    % 调用Python的NumPy
    try
        np = py.importlib.import_module('numpy');

        % 创建NumPy数组
        data_matlab = [1, 2, 3; 4, 5, 6];
        data_numpy = np.array(data_matlab);

        % 使用NumPy函数
        numpy_mean = np.mean(data_numpy);
        numpy_std = np.std(data_numpy);

        fprintf('NumPy mean: %.4f\n', numpy_mean);
        fprintf('NumPy std: %.4f\n', numpy_std);

        % 比较MATLAB和NumPy结果
        matlab_mean = mean(data_matlab, 'all');
        matlab_std = std(data_matlab, 0, 'all');

        fprintf('MATLAB mean: %.4f\n', matlab_mean);
        fprintf('MATLAB std: %.4f\n', matlab_std);

    catch ME
        fprintf('NumPy not available: %s\n', ME.message);
    end
end

% 调用Python机器学习
function python_ml_demo()
    try
        % 导入scikit-learn
        sklearn = py.importlib.import_module('sklearn');
        datasets = py.importlib.import_module('sklearn.datasets');
        model_selection = py.importlib.import_module('sklearn.model_selection');
        svm = py.importlib.import_module('sklearn.svm');

        % 加载数据
        iris = datasets.load_iris();
        X = double(iris.data);
        y = double(iris.target);

        % 划分训练测试集
        split_result = model_selection.train_test_split(iris.data, iris.target, ...
            pyargs('test_size', 0.3, 'random_state', 42));
        X_train = double(split_result{1});
        X_test = double(split_result{2});
        y_train = double(split_result{3});
        y_test = double(split_result{4});

        % 训练SVM模型
        clf = svm.SVC(pyargs('kernel', 'rbf', 'C', 1.0));
        clf.fit(X_train, y_train);

        % 预测
        y_pred = clf.predict(X_test);
        y_pred_matlab = double(y_pred);

        % 计算准确率
        accuracy = sum(y_test == y_pred_matlab) / length(y_test);
        fprintf('SVM分类准确率: %.4f\n', accuracy);

    catch ME
        fprintf('Scikit-learn not available: %s\n', ME.message);
    end
end

% 运行Python接口示例
python_interface_demo();
python_ml_demo();

16.6.2 调用C/C++代码

% MEX文件示例
% 首先需要创建一个C文件，例如matrix_multiply.c
function create_mex_example()
    % 创建C代码文件
    c_code = sprintf([
        '#include "mex.h"\n'...
        '#include <string.h>\n'...
        '\n'...
        'void mexFunction(int nlhs, mxArray *plhs[], int nrhs, const mxArray *prhs[])\n'...
        '{\n'...
        '    double *A, *B, *C;\n'...
        '    int m, n, p;\n'...
        '    int i, j, k;\n'...
        '    \n'...
        '    /* 检查输入参数 */\n'...
        '    if (nrhs != 2) {\n'...
        '        mexErrMsgIdAndTxt("MyToolbox:matrix_multiply:nrhs", "Two inputs required.");\n'...
        '    }\n'...
        '    \n'...
        '    /* 获取输入矩阵尺寸 */\n'...
        '    m = mxGetM(prhs[0]);\n'...
        '    n = mxGetN(prhs[0]);\n'...
        '    p = mxGetN(prhs[1]);\n'...
        '    \n'...
        '    /* 检查矩阵尺寸兼容性 */\n'...
        '    if (n != mxGetM(prhs[1])) {\n'...
        '        mexErrMsgIdAndTxt("MyToolbox:matrix_multiply:incompatible", "Matrix dimensions incompatible.");\n'...
        '    }\n'...
        '    \n'...
        '    /* 获取输入数据指针 */\n'...
        '    A = mxGetPr(prhs[0]);\n'...
        '    B = mxGetPr(prhs[1]);\n'...
        '    \n'...
        '    /* 创建输出矩阵 */\n'...
        '    plhs[0] = mxCreateDoubleMatrix(m, p, mxREAL);\n'...
        '    C = mxGetPr(plhs[0]);\n'...
        '    \n'...
        '    /* 矩阵乘法 */\n'...
        '    for (i = 0; i < m; i++) {\n'...
        '        for (j = 0; j < p; j++) {\n'...
        '            C[i + j*m] = 0;\n'...
        '            for (k = 0; k < n; k++) {\n'...
        '                C[i + j*m] += A[i + k*m] * B[k + j*n];\n'...
        '            }\n'...
        '        }\n'...
        '    }\n'...
        '}\n'
    ]);

    % 写入C文件
    fid = fopen('matrix_multiply.c', 'w');
    fprintf(fid, '%s', c_code);
    fclose(fid);

    % 编译MEX文件
    try
        mex matrix_multiply.c;
        fprintf('MEX文件编译成功\n');

        % 测试MEX函数
        A = randn(100, 50);
        B = randn(50, 80);

        % 使用MEX函数
        tic;
        C_mex = matrix_multiply(A, B);
        mex_time = toc;

        % 使用MATLAB内置函数
        tic;
        C_matlab = A * B;
        matlab_time = toc;

        % 比较结果
        fprintf('MEX函数时间: %.6f 秒\n', mex_time);
        fprintf('MATLAB内置函数时间: %.6f 秒\n', matlab_time);
        fprintf('结果误差: %.2e\n', norm(C_mex - C_matlab, 'fro') / norm(C_matlab, 'fro'));

    catch ME
        fprintf('MEX编译失败: %s\n', ME.message);
    end
end

% 运行MEX示例
create_mex_example();

16.7 高级绘图技术

16.7.1 动画制作

% 动画示例
function create_animations()
    % 示例1：简单动画
    figure('Position', [100, 100, 800, 600]);

    % 准备数据
    t = linspace(0, 4*pi, 100);
    x = cos(t);
    y = sin(t);

    % 创建动画
    h = plot(x(1), y(1), 'ro', 'MarkerSize', 10, 'MarkerFaceColor', 'r');
    axis equal;
    axis([-1.5, 1.5, -1.5, 1.5]);
    grid on;
    title('圆周运动动画');

    % 添加轨迹
    hold on;
    trail = plot(x(1), y(1), 'b-', 'LineWidth', 1);

    for i = 1:length(t)
        % 更新点位置
        set(h, 'XData', x(i), 'YData', y(i));

        % 更新轨迹
        set(trail, 'XData', x(1:i), 'YData', y(1:i));

        % 更新标题
        title(sprintf('圆周运动动画 - 时间: %.2f', t(i)));

        drawnow;
        pause(0.05);
    end

    % 示例2：3D动画
    figure('Position', [100, 100, 800, 600]);

    % 创建3D螺旋
    t = linspace(0, 6*pi, 200);
    x = cos(t);
    y = sin(t);
    z = t;

    h3d = plot3(x(1), y(1), z(1), 'ro', 'MarkerSize', 8, 'MarkerFaceColor', 'r');
    axis equal;
    axis([-1.5, 1.5, -1.5, 1.5, 0, 6*pi]);
    grid on;
    title('3D螺旋动画');
    xlabel('X'); ylabel('Y'); zlabel('Z');

    hold on;
    trail3d = plot3(x(1), y(1), z(1), 'b-', 'LineWidth', 2);

    for i = 1:length(t)
        set(h3d, 'XData', x(i), 'YData', y(i), 'ZData', z(i));
        set(trail3d, 'XData', x(1:i), 'YData', y(1:i), 'ZData', z(1:i));

        % 旋转视角
        view(30 + i*2, 30);

        drawnow;
        pause(0.02);
    end
end

% 创建GIF动画
function create_gif_animation()
    % 准备数据
    x = linspace(-2*pi, 2*pi, 100);

    figure('Position', [100, 100, 800, 600]);
    filename = 'wave_animation.gif';

    for n = 1:50
        % 创建波动
        y = sin(x + n*0.2);

        plot(x, y, 'b-', 'LineWidth', 2);
        ylim([-1.5, 1.5]);
        title(sprintf('正弦波动画 - 帧 %d', n));
        xlabel('x');
        ylabel('sin(x + t)');
        grid on;

        drawnow;

        % 保存为GIF
        frame = getframe(gcf);
        im = frame2im(frame);
        [imind, cm] = rgb2ind(im, 256);

        if n == 1
            imwrite(imind, cm, filename, 'gif', 'Loopcount', inf, 'DelayTime', 0.1);
        else
            imwrite(imind, cm, filename, 'gif', 'WriteMode', 'append', 'DelayTime', 0.1);
        end
    end

    fprintf('GIF动画保存为: %s\n', filename);
end

% 运行动画示例
create_animations();
create_gif_animation();

16.7.2 交互式图形

% 交互式绘图示例
function interactive_plotting()
    % 创建交互式绘图界面
    fig = figure('Position', [100, 100, 1000, 700], 'Name', '交互式函数绘图器');

    % 创建控件
    amplitude_slider = uicontrol('Style', 'slider', 'Position', [50, 50, 200, 20], ...
        'Min', 0.1, 'Max', 5, 'Value', 1, 'Callback', @update_plot);

    frequency_slider = uicontrol('Style', 'slider', 'Position', [50, 80, 200, 20], ...
        'Min', 0.1, 'Max', 10, 'Value', 1, 'Callback', @update_plot);

    phase_slider = uicontrol('Style', 'slider', 'Position', [50, 110, 200, 20], ...
        'Min', -pi, 'Max', pi, 'Value', 0, 'Callback', @update_plot);

    % 创建标签
    uicontrol('Style', 'text', 'Position', [260, 45, 80, 20], 'String', '振幅');
    uicontrol('Style', 'text', 'Position', [260, 75, 80, 20], 'String', '频率');
    uicontrol('Style', 'text', 'Position', [260, 105, 80, 20], 'String', '相位');

    % 创建函数选择按钮
    function_group = uibuttongroup('Position', [0.65, 0.05, 0.3, 0.15]);
    sin_button = uicontrol(function_group, 'Style', 'radiobutton', ...
        'Position', [10, 60, 100, 20], 'String', '正弦函数', 'Callback', @update_plot);
    cos_button = uicontrol(function_group, 'Style', 'radiobutton', ...
        'Position', [10, 35, 100, 20], 'String', '余弦函数', 'Callback', @update_plot);
    tan_button = uicontrol(function_group, 'Style', 'radiobutton', ...
        'Position', [10, 10, 100, 20], 'String', '正切函数', 'Callback', @update_plot);

    % 设置默认选择
    set(sin_button, 'Value', 1);

    % 创建绘图区域
    ax = axes('Position', [0.1, 0.3, 0.8, 0.6]);

    % 初始化绘图
    x = linspace(-2*pi, 2*pi, 1000);
    line_handle = plot(ax, x, sin(x), 'b-', 'LineWidth', 2);
    grid(ax, 'on');
    xlabel(ax, 'x');
    ylabel(ax, 'y');
    title(ax, 'y = sin(x)');

    % 回调函数
    function update_plot(~, ~)
        % 获取参数值
        amp = get(amplitude_slider, 'Value');
        freq = get(frequency_slider, 'Value');
        phase = get(phase_slider, 'Value');

        % 确定函数类型
        if get(sin_button, 'Value')
            y = amp * sin(freq * x + phase);
            func_name = 'sin';
        elseif get(cos_button, 'Value')
            y = amp * cos(freq * x + phase);
            func_name = 'cos';
        else
            y = amp * tan(freq * x + phase);
            func_name = 'tan';
            % 限制tan函数的显示范围
            y(abs(y) > 10) = NaN;
        end

        % 更新绘图
        set(line_handle, 'YData', y);
        title(ax, sprintf('y = %.2f * %s(%.2f * x + %.2f)', amp, func_name, freq, phase));

        % 自动调整坐标轴
        if strcmp(func_name, 'tan')
            ylim(ax, [-10, 10]);
        else
            ylim(ax, [-amp*1.2, amp*1.2]);
        end
    end
end

% 互动式数据探索器
function data_explorer()
    % 创建示例数据
    load('fisheriris');  % 载入鸢尾花数据集

    fig = figure('Position', [100, 100, 1200, 800], 'Name', '数据探索器');

    % 创建下拉菜单选择变量
    var_menu = uicontrol('Style', 'popup', 'Position', [50, 750, 150, 30], ...
        'String', {'萼片长度', '萼片宽度', '花瓣长度', '花瓣宽度'}, ...
        'Callback', @update_visualization);

    plot_type_menu = uicontrol('Style', 'popup', 'Position', [220, 750, 150, 30], ...
        'String', {'散点图', '直方图', '箱线图', '小提琴图'}, ...
        'Callback', @update_visualization);

    % 创建标签
    uicontrol('Style', 'text', 'Position', [50, 780, 150, 20], 'String', '选择变量:');
    uicontrol('Style', 'text', 'Position', [220, 780, 150, 20], 'String', '选择图表类型:');

    % 创建绘图区域
    ax1 = axes('Position', [0.1, 0.4, 0.35, 0.35]);
    ax2 = axes('Position', [0.55, 0.4, 0.35, 0.35]);
    ax3 = axes('Position', [0.1, 0.05, 0.8, 0.25]);

    % 初始化显示
    update_visualization();

    function update_visualization(~, ~)
        var_idx = get(var_menu, 'Value');
        plot_type = get(plot_type_menu, 'Value');

        data = meas(:, var_idx);
        var_names = {'萼片长度', '萼片宽度', '花瓣长度', '花瓣宽度'};

        % 清除之前的图形
        cla(ax1); cla(ax2); cla(ax3);

        switch plot_type
            case 1  % 散点图
                % 散点图矩阵
                for i = 1:4
                    for j = 1:4
                        subplot(4, 4, (i-1)*4 + j, 'Parent', fig);
                        if i == j
                            histogram(meas(:, i));
                        else
                            gscatter(meas(:, j), meas(:, i), species);
                        end
                    end
                end

            case 2  % 直方图
                histogram(ax1, data, 20);
                title(ax1, ['直方图 - ' var_names{var_idx}]);
                xlabel(ax1, var_names{var_idx});
                ylabel(ax1, '频次');

                % 按种类分组的直方图
                setosa_data = data(strcmp(species, 'setosa'));
                versicolor_data = data(strcmp(species, 'versicolor'));
                virginica_data = data(strcmp(species, 'virginica'));

                hold(ax2, 'on');
                histogram(ax2, setosa_data, 'FaceAlpha', 0.7, 'DisplayName', 'Setosa');
                histogram(ax2, versicolor_data, 'FaceAlpha', 0.7, 'DisplayName', 'Versicolor');
                histogram(ax2, virginica_data, 'FaceAlpha', 0.7, 'DisplayName', 'Virginica');
                legend(ax2);
                title(ax2, ['按种类分组 - ' var_names{var_idx}]);

            case 3  % 箱线图
                boxplot(ax1, data, species);
                title(ax1, ['箱线图 - ' var_names{var_idx}]);
                ylabel(ax1, var_names{var_idx});

                % 显示统计信息
                stats_text = sprintf('统计信息:\n均值: %.2f\n中位数: %.2f\n标准差: %.2f\n最小值: %.2f\n最大值: %.2f', ...
                    mean(data), median(data), std(data), min(data), max(data));
                text(ax2, 0.1, 0.5, stats_text, 'Units', 'normalized', 'FontSize', 12);
                set(ax2, 'XTick', [], 'YTick', []);
                title(ax2, '描述性统计');
        end

        % 在底部显示相关性分析
        correlation_matrix = corrcoef(meas);
        imagesc(ax3, correlation_matrix);
        colorbar(ax3);
        set(ax3, 'XTick', 1:4, 'YTick', 1:4, 'XTickLabel', var_names, 'YTickLabel', var_names);
        title(ax3, '变量间相关性矩阵');
        colormap(ax3, 'cool');
    end
end

16.7.3 App Designer

App Designer是MATLAB现代化的图形界面开发工具，类似于Python的Tkinter或Qt，但更加直观。

% 使用App Designer创建计算器应用
% 注意：这需要在App Designer环境中创建，这里展示核心逻辑

classdef CalculatorApp < matlab.apps.AppBase
    % App Designer创建的计算器应用

    properties (Access = public)
        UIFigure          matlab.ui.Figure
        DisplayField      matlab.ui.control.EditField
        ButtonGrid        matlab.ui.container.GridLayout
        CurrentValue      double = 0
        PreviousValue     double = 0
        Operation         char = ''
        NewInput          logical = true
    end

    methods (Access = private)

        function results = calculateResult(app)
            switch app.Operation
                case '+'
                    results = app.PreviousValue + app.CurrentValue;
                case '-'
                    results = app.PreviousValue - app.CurrentValue;
                case '*'
                    results = app.PreviousValue * app.CurrentValue;
                case '/'
                    if app.CurrentValue ~= 0
                        results = app.PreviousValue / app.CurrentValue;
                    else
                        results = NaN;
                        uialert(app.UIFigure, '除数不能为零!', '错误');
                    end
                case '^'
                    results = app.PreviousValue ^ app.CurrentValue;
                otherwise
                    results = app.CurrentValue;
            end
        end

        function numberButtonPushed(app, event)
            button = event.Source;
            number = str2double(button.Text);

            if app.NewInput
                app.DisplayField.Value = button.Text;
                app.NewInput = false;
            else
                app.DisplayField.Value = [app.DisplayField.Value button.Text];
            end

            app.CurrentValue = str2double(app.DisplayField.Value);
        end

        function operationButtonPushed(app, event)
            button = event.Source;

            if ~isempty(app.Operation) && ~app.NewInput
                result = app.calculateResult();
                app.DisplayField.Value = num2str(result);
                app.CurrentValue = result;
            end

            app.PreviousValue = app.CurrentValue;
            app.Operation = button.Text;
            app.NewInput = true;
        end

        function equalsButtonPushed(app, event)
            if ~isempty(app.Operation)
                result = app.calculateResult();
                app.DisplayField.Value = num2str(result);
                app.CurrentValue = result;
                app.Operation = '';
                app.NewInput = true;
            end
        end

        function clearButtonPushed(app, event)
            app.DisplayField.Value = '0';
            app.CurrentValue = 0;
            app.PreviousValue = 0;
            app.Operation = '';
            app.NewInput = true;
        end
    end

    methods (Access = private)

        function createComponents(app)
            % 创建UIFigure和组件
            app.UIFigure = uifigure('Visible', 'off');
            app.UIFigure.Position = [100 100 300 400];
            app.UIFigure.Name = 'MATLAB 计算器';

            % 创建显示屏
            app.DisplayField = uieditfield(app.UIFigure, 'text');
            app.DisplayField.Position = [20 340 260 40];
            app.DisplayField.Value = '0';
            app.DisplayField.FontSize = 16;
            app.DisplayField.HorizontalAlignment = 'right';
            app.DisplayField.Editable = 'off';

            % 创建按钮网格
            app.ButtonGrid = uigridlayout(app.UIFigure);
            app.ButtonGrid.Position = [20 20 260 300];
            app.ButtonGrid.ColumnWidth = {'1x', '1x', '1x', '1x'};
            app.ButtonGrid.RowHeight = {'1x', '1x', '1x', '1x', '1x'};

            % 创建按钮
            buttons = {
                'C', '±', '%', '÷';
                '7', '8', '9', '×';
                '4', '5', '6', '-';
                '1', '2', '3', '+';
                '0', '.', '=', '^'
            };

            for row = 1:5
                for col = 1:4
                    btn = uibutton(app.ButtonGrid, 'push');
                    btn.Layout.Row = row;
                    btn.Layout.Column = col;
                    btn.Text = buttons{row, col};
                    btn.FontSize = 14;

                    % 设置回调函数
                    if ismember(btn.Text, {'0','1','2','3','4','5','6','7','8','9','.'})
                        btn.ButtonPushedFcn = createCallbackFcn(app, @numberButtonPushed, true);
                    elseif ismember(btn.Text, {'+','-','×','÷','^'})
                        btn.ButtonPushedFcn = createCallbackFcn(app, @operationButtonPushed, true);
                    elseif strcmp(btn.Text, '=')
                        btn.ButtonPushedFcn = createCallbackFcn(app, @equalsButtonPushed, true);
                    elseif strcmp(btn.Text, 'C')
                        btn.ButtonPushedFcn = createCallbackFcn(app, @clearButtonPushed, true);
                    end
                end
            end
        end
    end

    methods (Access = public)

        function app = CalculatorApp
            % 构造函数
            createComponents(app);
            registerApp(app, app.UIFigure);

            if nargout == 0
                clear app
            end
        end

        function delete(app)
            % 析构函数
            delete(app.UIFigure);
        end
    end
end

16.8 与其他语言对比

16.8.1 MATLAB vs Python

特性	MATLAB	Python
矩阵运算	原生支持，语法简洁	需要NumPy，功能强大
绘图	内置强大绘图功能	Matplotlib/Plotly等
社区	学术界广泛使用	开源社区庞大
成本	商业软件，需授权	免费开源
学习曲线	工程背景易上手	编程背景易上手

% MATLAB矩阵运算
A = [1 2; 3 4];
B = [5 6; 7 8];
C = A * B;  % 矩阵乘法
D = A .* B; % 元素乘法

# Python等效代码
import numpy as np
A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])
C = A @ B       # 矩阵乘法
D = A * B       # 元素乘法

16.8.2 MATLAB vs C++

特性	MATLAB	C++
开发速度	快速原型开发	需要更多代码
执行速度	解释执行，较慢	编译执行，很快
内存管理	自动管理	手动管理
数值计算	内置优化算法	需要第三方库
可移植性	需要MATLAB环境	编译后独立运行

% MATLAB快速实现FFT
x = randn(1024, 1);
X = fft(x);
plot(abs(X));

// C++需要更多代码实现相同功能
#include <fftw3.h>
#include <vector>
#include <complex>

std::vector<std::complex<double>> computeFFT(const std::vector<double>& input) {
    // 需要大量代码实现FFT和绘图
    // ...
}

16.9 最佳实践总结

16.9.1 代码组织

% 良好的代码组织示例
function result = data_analysis_pipeline(data_file)
    % DATA_ANALYSIS_PIPELINE 数据分析流水线
    %
    % 输入:
    %   data_file - 数据文件路径
    % 输出:
    %   result - 分析结果结构体

    % 验证输入
    validateInputs(data_file);

    % 数据加载和预处理
    data = loadData(data_file);
    cleaned_data = preprocessData(data);

    % 分析
    stats = calculateStatistics(cleaned_data);
    model = fitModel(cleaned_data);

    % 可视化
    figures = createVisualizations(cleaned_data, model);

    % 组织结果
    result = struct('statistics', stats, 'model', model, 'figures', figures);

    % 生成报告
    generateReport(result);
end

function validateInputs(data_file)
    % 输入验证
    if ~ischar(data_file) && ~isstring(data_file)
        error('数据文件路径必须是字符串');
    end

    if ~exist(data_file, 'file')
        error('文件不存在: %s', data_file);
    end
end

function data = loadData(data_file)
    % 数据加载逻辑
    [~, ~, ext] = fileparts(data_file);

    switch lower(ext)
        case '.csv'
            data = readtable(data_file);
        case '.xlsx'
            data = readtable(data_file);
        case '.mat'
            loaded = load(data_file);
            data = loaded.data;
        otherwise
            error('不支持的文件格式: %s', ext);
    end
end

16.9.2 性能优化技巧

% 性能优化示例
function optimized_computation()
    % 坏的做法：动态增长数组
    tic;
    result_bad = [];
    for i = 1:10000
        result_bad = [result_bad, i^2];  % 每次重新分配内存
    end
    time_bad = toc;

    % 好的做法：预分配数组
    tic;
    result_good = zeros(1, 10000);  % 预分配
    for i = 1:10000
        result_good(i) = i^2;
    end
    time_good = toc;

    % 最好的做法：向量化
    tic;
    result_best = (1:10000).^2;  % 向量化运算
    time_best = toc;

    fprintf('动态增长: %.4f 秒\n', time_bad);
    fprintf('预分配: %.4f 秒\n', time_good);
    fprintf('向量化: %.4f 秒\n', time_best);
end

% 内存效率优化
function memory_efficient_processing()
    % 处理大数据时的内存管理

    % 使用单精度而非双精度（当精度允许时）
    data_double = rand(1000, 1000);  % 8 MB
    data_single = single(rand(1000, 1000));  % 4 MB

    % 及时清理不需要的变量
    large_array = rand(10000, 10000);
    processed = process_data(large_array);
    clear large_array;  % 释放内存

    % 分块处理大数据
    chunk_size = 1000;
    total_size = 100000;
    result = zeros(total_size, 1);

    for i = 1:chunk_size:total_size
        end_idx = min(i + chunk_size - 1, total_size);
        chunk = generate_data_chunk(i, end_idx);
        result(i:end_idx) = process_chunk(chunk);
        clear chunk;  % 清理临时数据
    end
end

16.9.3 调试技巧

% 调试工具和技巧
function debugging_example()
    % 使用断点和调试器
    data = [1, 2, 3, NaN, 5, 6];

    % 检查数据质量
    if any(isnan(data))
        warning('数据包含NaN值');
        fprintf('NaN位置: %s\n', mat2str(find(isnan(data))));
    end

    % 使用try-catch处理错误
    try
        result = risky_computation(data);
    catch ME
        fprintf('错误发生在: %s\n', ME.stack(1).name);
        fprintf('错误信息: %s\n', ME.message);
        result = handle_error(data);
    end

    % 添加详细日志
    log_computation_steps(data, result);
end

function result = risky_computation(data)
    % 可能出错的计算
    if any(data < 0)
        error('输入数据不能包含负值');
    end
    result = sqrt(data);
end

function result = handle_error(data)
    % 错误处理逻辑
    data = abs(data);  % 取绝对值
    data(isnan(data)) = 0;  % 替换NaN
    result = sqrt(data);
end

function log_computation_steps(input_data, output_data)
    % 记录计算步骤
    fprintf('=== 计算日志 ===\n');
    fprintf('输入数据大小: %s\n', mat2str(size(input_data)));
    fprintf('输入数据范围: [%.2f, %.2f]\n', min(input_data), max(input_data));
    fprintf('输出数据大小: %s\n', mat2str(size(output_data)));
    fprintf('输出数据范围: [%.2f, %.2f]\n', min(output_data), max(output_data));
    fprintf('计算完成时间: %s\n', datestr(now));
end

16.10 常见错误及解决方案

16.10.1 索引错误

% 常见索引错误及解决方案
function index_error_solutions()
    A = rand(5, 5);

    % 错误1：超出数组边界
    try
        value = A(6, 3);  % 错误：超出边界
    catch
        fprintf('错误：数组索引超出边界\n');
        % 解决方案：检查边界
        [rows, cols] = size(A);
        row_idx = min(6, rows);
        col_idx = min(3, cols);
        value = A(row_idx, col_idx);
    end

    % 错误2：使用0作为索引
    try
        value = A(0, 1);  % 错误：MATLAB索引从1开始
    catch
        fprintf('错误：MATLAB索引从1开始，不是0\n');
        % 解决方案
        value = A(1, 1);  % 正确
    end

    % 错误3：维度不匹配
    B = rand(3, 4);
    try
        C = A + B;  % 错误：维度不匹配
    catch
        fprintf('错误：矩阵维度不匹配\n');
        % 解决方案：调整维度或使用兼容操作
        if isequal(size(A), size(B))
            C = A + B;
        else
            fprintf('无法直接相加，维度分别为 %s 和 %s\n', ...
                mat2str(size(A)), mat2str(size(B)));
        end
    end
end

16.10.2 数据类型错误

% 数据类型相关错误
function data_type_solutions()
    % 错误1：字符串和数值混合
    data = {'apple', 'banana', 3, 'cherry'};

    % 尝试对混合数据进行数值运算
    numeric_data = [];
    string_data = {};

    for i = 1:length(data)
        if isnumeric(data{i})
            numeric_data = [numeric_data, data{i}];
        else
            string_data{end+1} = data{i};
        end
    end

    fprintf('数值数据: %s\n', mat2str(numeric_data));
    fprintf('字符串数据: %s\n', strjoin(string_data, ', '));

    % 错误2：精度损失
    x = 0.1 + 0.2;
    if x == 0.3
        fprintf('相等\n');
    else
        fprintf('不相等，x = %.17f\n', x);
        % 解决方案：使用容差比较
        tolerance = 1e-10;
        if abs(x - 0.3) < tolerance
            fprintf('在容差范围内相等\n');
        end
    end
end

16.11 项目实战综合案例

16.11.1 股票数据分析系统

% 股票数据分析系统
classdef StockAnalyzer < handle
    properties
        data
        symbols
        dates
        prices
    end

    methods
        function obj = StockAnalyzer()
            obj.data = containers.Map();
        end

        function loadData(obj, filename)
            % 加载股票数据
            if exist(filename, 'file')
                raw_data = readtable(filename);
                obj.symbols = unique(raw_data.Symbol);
                obj.dates = unique(raw_data.Date);

                for i = 1:length(obj.symbols)
                    symbol = obj.symbols{i};
                    symbol_data = raw_data(strcmp(raw_data.Symbol, symbol), :);
                    obj.data(symbol) = symbol_data;
                end

                fprintf('成功加载 %d 只股票的数据\n', length(obj.symbols));
            else
                error('文件不存在: %s', filename);
            end
        end

        function returns = calculateReturns(obj, symbol, period)
            % 计算收益率
            if ~obj.data.isKey(symbol)
                error('未找到股票代码: %s', symbol);
            end

            stock_data = obj.data(symbol);
            prices = stock_data.Close;

            switch lower(period)
                case 'daily'
                    returns = diff(log(prices));
                case 'weekly'
                    returns = diff(log(prices(1:5:end)));
                case 'monthly'
                    returns = diff(log(prices(1:22:end)));
                otherwise
                    error('不支持的周期: %s', period);
            end
        end

        function stats = analyzeVolatility(obj, symbol, window)
            % 分析波动率
            returns = obj.calculateReturns(symbol, 'daily');

            % 滚动波动率
            rolling_vol = zeros(length(returns) - window + 1, 1);
            for i = 1:length(rolling_vol)
                rolling_vol(i) = std(returns(i:i+window-1));
            end

            stats = struct();
            stats.mean_volatility = mean(rolling_vol);
            stats.max_volatility = max(rolling_vol);
            stats.min_volatility = min(rolling_vol);
            stats.rolling_volatility = rolling_vol;
        end

        function visualizeAnalysis(obj, symbol)
            % 可视化分析结果
            if ~obj.data.isKey(symbol)
                error('未找到股票代码: %s', symbol);
            end

            stock_data = obj.data(symbol);

            figure('Position', [100, 100, 1200, 800]);

            % 价格走势
            subplot(3, 1, 1);
            plot(stock_data.Date, stock_data.Close, 'b-', 'LineWidth', 1.5);
            title(sprintf('%s 股价走势', symbol));
            ylabel('价格');
            grid on;

            % 成交量
            subplot(3, 1, 2);
            bar(stock_data.Date, stock_data.Volume, 'FaceColor', [0.7, 0.7, 0.7]);
            title(sprintf('%s 成交量', symbol));
            ylabel('成交量');
            grid on;

            % 收益率分布
            subplot(3, 1, 3);
            returns = obj.calculateReturns(symbol, 'daily');
            histogram(returns, 50, 'FaceColor', [0.2, 0.6, 0.8]);
            title(sprintf('%s 日收益率分布', symbol));
            xlabel('收益率');
            ylabel('频次');
            grid on;

            % 添加统计信息
            mu = mean(returns);
            sigma = std(returns);
            text(0.7, 0.8, sprintf('均值: %.4f\n标准差: %.4f\n夏普比率: %.2f', ...
                mu, sigma, mu/sigma*sqrt(252)), 'Units', 'normalized', ...
                'BackgroundColor', 'white', 'EdgeColor', 'black');
        end

        function correlation_matrix = calculateCorrelation(obj, symbols)
            % 计算股票间相关性
            if nargin < 2
                symbols = obj.symbols(1:min(10, length(obj.symbols)));
            end

            returns_matrix = [];
            valid_symbols = {};

            for i = 1:length(symbols)
                if obj.data.isKey(symbols{i})
                    returns = obj.calculateReturns(symbols{i}, 'daily');
                    returns_matrix = [returns_matrix, returns];
                    valid_symbols{end+1} = symbols{i};
                end
            end

            correlation_matrix = corrcoef(returns_matrix);

            % 可视化相关性矩阵
            figure;
            imagesc(correlation_matrix);
            colorbar;
            colormap('cool');
            set(gca, 'XTick', 1:length(valid_symbols), 'XTickLabel', valid_symbols);
            set(gca, 'YTick', 1:length(valid_symbols), 'YTickLabel', valid_symbols);
            title('股票收益率相关性矩阵');

            % 添加数值标签
            for i = 1:size(correlation_matrix, 1)
                for j = 1:size(correlation_matrix, 2)
                    text(j, i, sprintf('%.2f', correlation_matrix(i,j)), ...
                        'HorizontalAlignment', 'center', 'Color', 'white');
                end
            end
        end
    end
end

% 使用示例
function stock_analysis_demo()
    % 创建分析器实例
    analyzer = StockAnalyzer();

    % 生成示例数据（实际使用中应该加载真实数据）
    generate_sample_data();

    % 加载数据
    analyzer.loadData('sample_stock_data.csv');

    % 分析特定股票
    symbol = 'AAPL';

    % 计算收益率
    returns = analyzer.calculateReturns(symbol, 'daily');
    fprintf('%s 平均日收益率: %.4f%%\n', symbol, mean(returns)*100);

    % 分析波动率
    vol_stats = analyzer.analyzeVolatility(symbol, 30);
    fprintf('%s 平均30日波动率: %.4f\n', symbol, vol_stats.mean_volatility);

    % 可视化分析
    analyzer.visualizeAnalysis(symbol);

    % 计算相关性
    symbols = {'AAPL', 'GOOGL', 'MSFT', 'TSLA'};
    corr_matrix = analyzer.calculateCorrelation(symbols);

    fprintf('相关性分析完成\n');
end

function generate_sample_data()
    % 生成示例股票数据
    symbols = {'AAPL', 'GOOGL', 'MSFT', 'TSLA', 'AMZN'};
    dates = datetime('2020-01-01'):caldays(1):datetime('2023-12-31');
    dates = dates(~isweekend(dates));  % 排除周末

    all_data = table();

    for i = 1:length(symbols)
        symbol = symbols{i};
        n_days = length(dates);

        % 生成模拟价格数据（几何布朗运动）
        S0 = 100 + randn * 20;  % 初始价格
        mu = 0.08 / 252;        % 年化收益率转日收益率
        sigma = 0.2 / sqrt(252); % 年化波动率转日波动率

        returns = normrnd(mu, sigma, n_days-1, 1);
        log_prices = cumsum([log(S0); returns]);
        prices = exp(log_prices);

        % 生成成交量数据
        base_volume = 1e6 + randn * 2e5;
        volumes = abs(base_volume + randn(n_days, 1) * 1e5);

        % 创建数据表
        symbol_data = table();
        symbol_data.Symbol = repmat({symbol}, n_days, 1);
        symbol_data.Date = dates';
        symbol_data.Close = prices;
        symbol_data.Volume = volumes;

        all_data = [all_data; symbol_data];
    end

    % 保存数据
    writetable(all_data, 'sample_stock_data.csv');
    fprintf('示例数据已生成并保存到 sample_stock_data.csv\n');
end

---

来源：CSDN 原文，首次发布于 2025-07-05。