بایگانی دسته ی آموزش متلب

تولباکس Sensor Fusion and Tracking Toolbox

شرکت متورکز Sensor Fusion and Tracking Toolbox را معرفی کرد.
این تولباکس از نسخه 2018b معرفی و منتشر شد.
تولباکس Sensor Fusion and Tracking Toolbox الگوریتم و ابزاری برای حفظ موقعیت, جهت گیری و آگاهی موقعیتی فراهم می کند.
محققین و مهندسانی که بر روی ادرات توسعه سیستم کار می کنند, نیاز به ورودی های مختلف از سنسورهای مختلف برای تخمین موقعیت اشیا دارند.
تولباکس Sensor Fusion and Tracking Toolbox الگوریتم های محلی سازی و ردیابی را همراه با نمونه های مرجع در تولباکس به عنوان نقطه شروع برای اجزای نظارت بر هواپیما, زمین , کشتی و زیرآبی, ناوبری و سیستم هایی از این دست اجرا می کنند.

تولباکس Sensor Fusion and Tracking Toolbox شامل موارد زیر است:

• الگوریتم ها و ابزارهایی برای طراحی، شبیه سازی و تجزیه و تحلیل سیستم هایی که داده ها را از سنسورهای مختلف برای حفظ موقعیت، جهت گیری و آگاهی موقعیتی
• مثال های مرجع که نقطه شروع برای نظارت، ناوبری، و سیستم های خودمختار در هواپیما، زمین، کشتی و زیر آبی است.
• ردیابهای چندگانه، فیلترهای همجوشی حسگر، مدل های حرکتی و سنسورها و الگوریتم های مرتبط با داده ها که می توانند برای ارزیابی معماری های همجوشی با استفاده از داده های واقعی و مصنوعی استفاده شوند.
• سناریو و ابزارهای ایجاد مسیر
• تولید داده های مصنوعی برای سنسورهای فعال و غیر فعال، از جمله RF، آکوستیک، EO / IR، و سنسورهای GPS / IMU
• دقت سیستم و معیارهای استاندارد عملکرد، معیارها و قطعه های متحرک
• گزینه های راه اندازی برای شتاب شبیه سازی یا مدل سازی دسکتاپ با استفاده از تولید کد C

اطلاعات بیشتر و دانلود نسخه رایگان تولباکس:  download free trial
شاید به مطالب زیر نیز علاقه مند باشید:

• اضافه کردن تولباکس در متلب

• جعبه ابزار Symbolic Math
• انجام پروژه های متلب با متلبی

لایسنس تولباکس Sensor Fusion and Tracking Toolbox

شرکت متوکز برای تولباکس های حرفه ای و تخصصی لایسنس هایی قرار داده است.
معمولا یک نسخه محدود و رایگان از تولباکس را در دسترس قرار می دهد و برای استفاده از امکانات دیگر آن از کاربر می خواهد تا لایسنس تهیه کند.
لایسنس تولباکس های متلب در اینجا برای فروش قرار گرفته است.

لایسنس های نرم افزار متلب

لایسنس های متلب برای ابزار ها و… متلب از جمله موارد زیر, در سایت متورکز به فروش میرسد:

ما همواره می کوشیم تا راهکار های دسترسی به نسخه اصلی این ابزارها را در دسترس داشته باشید.
مثلا به مشکل لایسنس متلب در زمان اجرا پرداخته ایم. که در این آموزش به رفع مشکلات در فعال سازی نرم افزار متلب به صورت رایگان, پرداخته ایم.
لایسنس های نرم افزار متلب را نیز در پست های مختلف به همراه دانلود نرم افزار متلب قرار داده ایم.
 
یکی از راهکار های دسترسی به همه ابزار های پولی نرم افزار متلب داشتن ایمیل از سایت زیر است:

https://www.cityu.edu.hk/csc/deptweb/facilities/central-sw-tah.htm

همانطور که در لینک فوق توضیح داده شده است, کسانی که ایمیل از این سایت دانشگاهی دارند میتوانند به صورت رایگان به تمامی ابزارهای دارای لایسنس متلب دسترسی داشته باشند.
امیدواریم با انتشار این پست, هر کدام از مخاطبین سایت متلبی که دسترسی به ایمیل این سایت دانشگاهی داشتند و یا لایسنسی از ابزار های متلب داشتند را به اشتراک بگذارند.
لطفا اگر دسترسی به لایسنس های تولباکس های متلب دارید, یا ایمیل از دامنه سایت دانشگاهی هونگ کونگ فوق داشتید, در قسمت نظرات همین پست اطلاع رسانی نمایید تا در دسترسی بقیه قرار بگیرد.
 
 

حداقل مربعات در متلب را با چند مثال مختلف بررسی می کنیم.
برای آموزش شبیه سازی روش های حداقل مربعات و حداقل مربعات بازگشتی و… در متلب مثال های عملی را با هم بررسی می کنیم.
فرض کنیم چنین سوالاتی مطرح است:
1-سیستم زیر را در نظر بگیرید که در آن ) e(tنویز سفید با واریانس 0/1است.

فرض کنید پارامتر a=0.7و b=2باشد با اعمال روش هاي
الف- حداقل مربعات و ب- حداقل مربعات بازگشتی تخمین پارامترهاي aو bرا بدست آورید و رسم نمایید.تغییرات پارامترها
را نسبت به تعداد تکرارها رسم نموده و نحوه همگرایی تخمین پارامترها را توضیح دهید.سپس روشهاي مختلف را با هم
مقایسه کنید.
-2فرض کنید مدل ریاضی سیستم بصورت زیر است

ورودي uبه سیستم و خروجی yبه صورت زیر است پارامترهاي a0و b0و b1را با روش حداقل مربعات تخمین بزنید.

-3سیستم

با ورودي PRBSکه داراي دامنه ±1است در نظر بگیرید با فرض ) e(tنویز سفید با واریانس واحد شبیه سازي کنیددو
مدل براي سیستم زیر در نظر بگیرید

با در نظر گرفتن N=100این مدلها را با روش هاي
حداقل مربعات
حداقل مربعات تعمیم داده شده
متغییرهاي کمکی
تخمین زده و با هم مقایسه کنید
با پروژه آماده متلب که در زیر قرار داده شده و آموزش آن با کامنت گذاری مشخص شده است بخوبی میتوان همه مراحل را دید:

=================================

clc;پاک کردن صفحه متلب

clear all;پاک کردن متغیرهای گذشته و بلا استفاده

close all;بستن نمودارهای باز

%==========================================================================

%Q1سوال شماره 1

a=0.7;مقدار پارامتر

b=2;مقدار پارامتر

sigm_e=0.1;واریانس نویز

N=100;تعداد داده ها

N1=N;متغیر کمکی برای ذخیره تعداد داده ها

y=zeros(1,N);تعریف بردار خروجی

u=50*idinput(N);ورودی شناسایی

ep=wgn(1,N,0);نویز سفید

sigm_ep=1/(N)*sum(ep.^2);واریانس نویز

e=sqrt(sigm_e/(sigm_ep))*ep;ایجاد نویز با واریانس مورد نظر

جمع آوری داده از سیستم

for t=2:N

y(t)=-a*y(t-1)+b*u(t-1)+e(t);

end

y1=y;u1=u;

ترسیم داده های شناسایی

figure (1)

subplot(2,1,1);stairs(1:1:N,y,’b’,’linewidth’,2);grid on;axis([1 N -400 400]);ylabel(‘y’);

subplot(2,1,2);stairs(1:1:N,u,’b’,’linewidth’,2);grid on;axis([1 N -60 60]);ylabel(‘u’);xlabel(‘sample’);

%Least squaresروش حداقل مربعات

Phi=zeros(N-1,2);ماتریس داده ها

Y=zeros(N-1,1);بردار خروجی

for t=2:N

Phi(t,:)=[-y(t-1),u(t-1)];

Y(t)=y(t);

end

teta=(Phi.’*Phi)\Phi.’*Y;محاسبه پارامترها

teta1=teta;

نمایش مقادیر داده در صفحه متلب

disp(‘Q1: Least squares estimation for N=100’);

disp(‘estimated a=’);disp(teta(1));

disp(‘estimated b=’);disp(teta(2));

N=200;تکرار شبیه سازی برای تعداد داده های بیشتر

N2=N;

y=zeros(1,N);

u=50*idinput(N);

ep=wgn(1,N,0);

sigm_ep=1/(N)*sum(ep.^2);

e=sqrt(sigm_e/(sigm_ep))*ep;

for t=2:N

y(t)=-a*y(t-1)+b*u(t-1)+e(t);

end

y2=y;u2=u;

Phi=zeros(N-1,2);

Y=zeros(N-1,1);

for t=2:N

Phi(t,:)=[-y(t-1),u(t-1)];

Y(t)=y(t);

end

teta=(Phi.’*Phi)\Phi.’*Y;

teta2=teta;

disp(‘Q1: Least squares estimation for N=200’);

disp(‘estimated a=’);disp(teta(1));

disp(‘estimated b=’);disp(teta(2));

N=300;تکرار شبیه سازی برای تعداد داده های بیشتر

N3=N;

y=zeros(1,N);

u=50*idinput(N);

ep=wgn(1,N,0);

sigm_ep=1/(N)*sum(ep.^2);

e=sqrt(sigm_e/(sigm_ep))*ep;

for t=2:N

y(t)=-a*y(t-1)+b*u(t-1)+e(t);

end

y3=y;u3=u;

Phi=zeros(N-1,2);

Y=zeros(N-1,1);

for t=2:N

Phi(t,:)=[-y(t-1),u(t-1)];

Y(t)=y(t);

end

teta=(Phi.’*Phi)\Phi.’*Y;

teta3=teta;

disp(‘Q1: Least squares estimation for N=300’);

disp(‘estimated a=’);disp(teta(1));

disp(‘estimated b=’);disp(teta(2));

N=400;تکرار شبیه سازی برای تعداد داده های بیشتر

N4=N;

y=zeros(1,N);

u=50*idinput(N);

ep=wgn(1,N,0);

sigm_ep=1/(N)*sum(ep.^2);

e=sqrt(sigm_e/(sigm_ep))*ep;

for t=2:N

y(t)=-a*y(t-1)+b*u(t-1)+e(t);

end

y4=y;u4=u;

Phi=zeros(N-1,2);

Y=zeros(N-1,1);

for t=2:N

Phi(t,:)=[-y(t-1),u(t-1)];

Y(t)=y(t);

end

teta=(Phi.’*Phi)\Phi.’*Y;

teta4=teta;

disp(‘Q1: Least squares estimation for N=400’);

disp(‘estimated a=’);disp(teta(1));

disp(‘estimated b=’);disp(teta(2));

ترسیم درصد خطای نسبی تخمین پارامترها بر حسب تعداد داده ها

Nv=[100,200,300,400];

Er_Nv_a=[abs(a-teta1(1))/a,abs(a-teta2(1))/a,abs(a-teta3(1))/a,abs(a-teta4(1))/a]*100;

Er_Nv_b=[abs(b-teta1(2))/b,abs(b-teta2(2))/b,abs(b-teta3(2))/b,abs(b-teta4(2))/b]*100;

figure (2)

subplot(2,1,1);bar(Nv,Er_Nv_a,’b’);xlabel(‘N’);ylabel(‘a relative error (%)’);

subplot(2,1,2);bar(Nv,Er_Nv_b,’b’);xlabel(‘N’);ylabel(‘b relative error (%)’);

%Recursive least squaresروش حداقل مربعات بازگشتی

lmbd=0.98;ضریب فراموشی

P=1e6*eye(2); ماتریس

teta_rls1=zeros(2,N1);ماتریس تخمین ها

تخمین حداقل مربعات بازگشتی

for t=2:N1

phi=[-y1(t-1);u1(t-1)];

Kt=P*phi/(lmbd*eye(1)+phi.’*P*phi);

P=(eye(2)-Kt*phi.’)*P/lmbd;

teta_rls1(:,t)=teta_rls1(:,t-1)+Kt*(y1(t)-phi.’*teta_rls1(:,t-1));

end

ترسیم پارامترهای تخمینی به روش حداقل مربعات و مقادیر واقعی و مقادیر روش قبل

figure (3)

subplot(2,1,1);stairs(1:N1,teta1(1)*ones(1,N1),’b’,’linewidth’,2);grid on;

hold on;

stairs(1:N1,teta_rls1(1,:),’g’,’linewidth’,2);

hold on;

stairs(1:N1,a*ones(1,N1),’r’,’linewidth’,2);

legend(‘LS for N=100′,’RLS for N=100′,’a=0.7’);

subplot(2,1,2);stairs(1:N1,teta1(2)*ones(1,N1),’b’,’linewidth’,2);grid on;

hold on;

stairs(1:N1,teta_rls1(2,:),’g’,’linewidth’,2);

hold on;

stairs(1:N1,b*ones(1,N1),’r’,’linewidth’,2);

legend(‘LS for N=100′,’RLS for N=100′,’b=2’);

%==========================================================================

%Q2سوال شماره 2

u=[1,0.8,0.6,0.4,0.2,0,0.2,0.4,0.6,0.8,1,0.8,0.6,0.4,0.2];

y=[0.9,2.5,2.4,1.3,1.2,0.8,0,0.9,1.4,1.9,2.3,2.4,2.3,1.3,1.2];

N=length(u);

ترسیم داده های شناسایی

figure (4)

subplot(2,1,1);stairs(1:1:N,y,’b’,’linewidth’,2);grid on;axis([1 N -1 4]);ylabel(‘y’);

subplot(2,1,2);stairs(1:1:N,u,’b’,’linewidth’,2);grid on;axis([1 N -1 2]);ylabel(‘u’);xlabel(‘sample’);

Phi=zeros(N-1,3);

Y=zeros(N-1,1);

for t=2:N

Phi(t,:)=[-y(t-1),u(t),u(t-1)];

Y(t)=y(t);

end

teta=(Phi.’*Phi)\Phi.’*Y;تخمین پارامترها

disp(‘Q2: Least squares estimation’);

disp(‘estimated a1=’);disp(teta(1));

disp(‘estimated b0=’);disp(teta(2));

disp(‘estimated b1=’);disp(teta(3));

%==========================================================================

%Q3سوال شماره 3

پارامترها

a=-0.9;

b0=1;

b1=0.5;

c=1;

sigm_e=1;

N=200;

y=zeros(1,N);

u=idinput(N);

ep=wgn(1,N,0);

sigm_ep=1/(N)*sum(ep.^2);

e=sqrt(sigm_e/(sigm_ep))*ep;

for t=3:N

y(t)=-a*y(t-1)+b0*u(t-1)+b1*u(t-2)+c*e(t);

end

figure (5)

subplot(2,1,1);stairs(1:1:N,y,’b’,’linewidth’,2);grid on;axis([1 N -20 20]);ylabel(‘y’);

subplot(2,1,2);stairs(1:1:N,u,’b’,’linewidth’,2);grid on;axis([1 N -2 2]);ylabel(‘u’);xlabel(‘sample’);

% Model A — Least squares تخمین جداقل مربعات برای مدل اول

Phi=zeros(N-1,3);

Y=zeros(N-1,1);

for t=3:N

Phi(t,:)=[-y(t-1),u(t-1),u(t-2)];

Y(t)=y(t);

end

teta=(Phi.’*Phi)\Phi.’*Y;

disp(‘Q3: Least squares estimation’);

disp(‘estimated a=’);disp(teta(1));

disp(‘estimated b0=’);disp(teta(2));

disp(‘estimated b1=’);disp(teta(3));

%Model A — Extended Least squares تخمین حداقل مربعات تعمیم یافته برای مدل اول

Phi=zeros(N-1,4);

Y=zeros(N-1,1);

teta0=[teta(1);teta(2);teta(3);1];

teta=teta0;

for t=3:N

Phi(t,:)=[-y(t-1),u(t-1),u(t-2),y(t-1)-Phi(t-1,:)*teta];

Y(t)=y(t);

if (t<10)

teta=teta0;

else

teta=(Phi(1:t,:).’*Phi(1:t,:))\Phi(1:t,:).’*Y(1:t);

end

end

disp(‘Q3: Extended Least squares estimation’);

disp(‘estimated a=’);disp(teta(1));

disp(‘estimated b0=’);disp(teta(2));

disp(‘estimated b1=’);disp(teta(3));

disp(‘estimated c=’);disp(teta(4));

%Model A — Instrumental variables روش متغیرهای کمکی

Phi=zeros(N-1,3);

Z=zeros(N-1,3);

Y=zeros(N-1,1);

for t=4:N

Phi(t,:)=[-y(t-1),u(t-1),u(t-2)];

Z(t,:)=[u(t-1),u(t-2),u(t-3)]; متغیرهای کمکی انتخاب شده

Y(t)=y(t);

end

teta=(Z.’*Phi)\Z.’*Y;تخمین پارامترها

disp(‘Q3: Instrumental variable estimation’);

disp(‘estimated a=’);disp(teta(1));

disp(‘estimated b0=’);disp(teta(2));

disp(‘estimated b1=’);disp(teta(3));

% Model B — Least squares روش حداقل مربعات برای مدل دوم

Phi=zeros(N-1,3);

Y=zeros(N-1,1);

for t=3:N

Phi(t,:)=[-y(t-1),u(t-1),u(t-2)];

Y(t)=y(t);

end

teta=(Phi.’*Phi)\Phi.’*Y;

disp(‘Q3: Least squares estimation’);

disp(‘estimated a=’);disp(teta(1));

disp(‘estimated b0=’);disp(teta(2));

disp(‘estimated b1=’);disp(teta(3));

%Model B — Extended Least squares روش حداقل مربعات تعمیم یافته برای مدل دوم

Phi=zeros(N-1,5);

Y=zeros(N-1,1);

teta0=[teta(1);teta(2);teta(3);1;1];

teta=teta0;

for t=3:N

Phi(t,:)=[-y(t-1),u(t-1),u(t-2),y(t-1)-Phi(t-1,:)*teta,y(t-2)-Phi(t-2,:)*teta];

Y(t)=y(t);

if (t<10)

teta=teta0;

else

teta=(Phi(1:t,:).’*Phi(1:t,:))\Phi(1:t,:).’*Y(1:t);

end

end

disp(‘Q3: Extended Least squares estimation’);

disp(‘estimated a=’);disp(teta(1));

disp(‘estimated b0=’);disp(teta(2));

disp(‘estimated b1=’);disp(teta(3));

disp(‘estimated c0=’);disp(teta(4));

disp(‘estimated c1=’);disp(teta(5));

%Model B — Instrumental variables روش متغیرهای کمکی برای مدل دوم

Phi=zeros(N-1,5);

Z=zeros(N-1,5);

Y=zeros(N-1,1);

teta0=[teta(1);teta(2);teta(3);1;1];

teta=teta0;

for t=6:N

Phi(t,:)=[-y(t-1),u(t-1),u(t-2),y(t-1)-Phi(t-1,:)*teta,y(t-2)-Phi(t-2,:)*teta];

Z(t,:)=[u(t-1),u(t-2),u(t-3),y(t-4),y(t-5)]; متغیرهای کمکی

Y(t)=y(t);

if (t<10)

teta=teta0;

else

teta=(Z(1:t,:).’*Phi(1:t,:))\Z(1:t,:).’*Y(1:t);

end

end

disp(‘Q3: Instrumental variables estimation’);

disp(‘estimated a=’);disp(teta(1));

disp(‘estimated b0=’);disp(teta(2));

disp(‘estimated b1=’);disp(teta(3));

disp(‘estimated c0=’);disp(teta(4));

disp(‘estimated c1=’);disp(teta(5));

نگران نباشید ما این کد آماده متلب را در انتهای همین پست برای شما قرار داده ایم.

نتایج شبیه سازی را در زیر قرار داده ایم:

• پروژه کامپیوتری درس فرایند تصادفی با متلب
• طراحی و شبیه سازی درایو موتور رلوکتانس سوییچی با متلب
• شبیه سازی رفتار یک رله مغناطیسی با متلب
• سفارش شبیه سازی مقالات درس کنترل توان راکتیو
• تشخیص فونم ها(لب خوانی) با SVM در متلب
• شناسایی سیستم غیر خطی ربات بازوی مسطح دو درجه آزادی توسط شبکه عصبی
• شبیه سازی سیستم درایو کرامر استاتیکی با متلب
• حل تابع با سری تیلور و روش نیوتن در متلب
• توابع نمایی در متلب
• مشکل لایسنس متلب در زمان اجرای نرم افزار متلب
• پیش بینی سری زمانی به کمک شبکه عصبی در متلب

برای شروع به کار با متلب بایستی شناخت خوبی نسبت به دستوارت متلب داشت. برای همین دستورات پر کاربردی را در ذیل جهت معرفی آورده ایم:

ایجاد ماتریس:
A=[1,2,3 ; 4,5,6]
A=[1:10]
A=[1:2:10]
A=[10:-1:1]
A=zeros(2,3) ایجاد ماتریس 2 در3 با مقادیر صفر
A=ones(4,6) ایجاد ماتریس 4 در6 با مقادیر یک
ترانهاده ماتریس A:
T=A’
دستیابی به یک یا چند مقدار از یک ماتریس:
A(2,3) عنصر سطر2 ستون 3
A(:,2) عناصر ستون 2
A(1,:) عناصر سطر 1
A(3:6, 2:4) ستونهای 2 تا 4 از سطرهای 3 تا 6
دستیابی به ستون آخر یک ماتریس:
A(:,end)
مجموع ستونهای یک ماتریس دو بعدی (و یا مجموع مقادیر یک ماتریس یک بعدی):
sum(A)
sum(A’)’ مجموع سطرهای یک ماتریس دو بعدی
بدست آوردن مقادیر روی قطر اصلی A:
diag(A)
ایجاد ماتریس جادویی n×n: (ماتریس جادویی ماتریسی است که مجموع تمام سطرها و ستونها و قطرهای آن برابر است)
magic(n)
می خواهیم جای ستونهای دوم و سوم در ماتریس B را جابهجا کرده و نتیجه را در A ذخیره نماییم:
A=B(: , [1,3,2,4])
توابع مقدماتی پرکاربرد:

• abs(A)
• exp(A)
• sin(A)
• sqrt(A)
• factorial(n)
• log2(A) لگاریتم در مبنای 2
• log10(A) لگاریتم در مبنای 10

برای مشاهده لیست توابع مقدماتی عبارت help elfun را تایپ کنید.
عملگرهای محاسباتی:

• A=B+C جمع ماتریسی
• A=B-C تفریق ماتریسی
• A=B*C ضرب ماتریسی
• A=B .* C ضرب عناصر متناظر در یکدیگر
• A=B ./ C تقسیم عناصر متناظر بر یکدیگر
• A=B .^ C به توان رساندن هر عنصر به عنصر متناظرش

اگر B یک ماتریس n×m باشد و C یک عدد اسکالر (یک ماتریس 1×1) باشد آنگاه عملگرهای فوق مقدار موجود در C را در تک تک مقادیر B اِعمال میکنند. بنابراین عبارت A=B+1 تک تک مقادیر B را با 1 جمع کرده و در A ذخیره میکند. عبارت A=B.^2 نیز تک تک مقادیر B را به توان 2 رسانده و نتیجه را در A ذخیره میکند.
روشی بدست آوردن باقیمانده تقسیم:
A=mod(B,C)
ایجاد یک ماتریس 3×4 از اعداد تصادفی که دارای توزیع یکنواخت بین 0 تا 1 میباشند:
A=rand(3,4)
ایجاد یک ماتریس 3×4 از اعداد تصادفی بین a تا b
A=floor((b-a+1)*rand(3,4)+a)
ایجاد یک ماتریس 1×n که اعداد صحیح 1 تا n به ترتیب تصادفی در آن قرار گرفتهاند:
A=randperm(n)
ایجاد ماتریس با n×m که در هر سطر عناصر 1 تا m به طور تصادفی قرار داده شده اند
for i=1:n
A(i,:)=randperm(m);
end
روند کردن اعداد:

• A=fix(B) گرد کردن به سمت صفر
• A=round(B) گرد کردن به سمت نزدیک ترین عدد صحیح(براساس رقم اعشار)
• A=ceil(B) گرد کردن به سمت مثبت بینهایت
• A=floor(B) گرد کردن به سمت منفی بینهایت

مرتب کردن هر یک از ستونهای ماتریس B بطور جداگانه:
A=sort(B)
مرتب کردن سطرهای ماتریس B ابتدا بر اساس ستون اول سپس ستون دوم و الی آخر:
A=sortrows(B)
مرتب کردن سطرهای ماتریس B فقط بر اساس ستون سوم:
A=sortrows(B,3)
حذف ستون دوم ماتریس A:
A(: , 2) = []
میانگین هر یک از ستونهای ماتریس B:
A=mean(B)
میانه هر یک از ستونهای ماتریس B:
A=median(B)
انحراف از معیار هر یک از ستونهای ماتریس B:
A=std(B)
مینیمم هر یک از ستونهای ماتریس B:
A=min(B)
ماکسیمم هر یک از ستونهای ماتریس B:
A=max(B)
یافتن اندیس عددهای غیر صفر در ماتریس B:
A=find(B)
یافتن اندیس سطر و ستون خانه مساوی 2 ماتریس B:
[i,j]=find(B==2)
یافتن اندیس سطر و ستون خانه مساوی 2 در سطر سوم از ماتریس B:
[i,j]=find(B(3,:)==2)
یافتن اندیس عددهای بین 1 تا 5 در ماتریس B:
A=find(A>1 & A<5)
جمع تجمعی عناصر ماتریس B:
A=cumsum(B)
حاصل ضرب عناصر ماتریس B:
A=prod(B)
تولید n عدد در فواصل مساوی که از a شروع و به b ختم میشود:
A=linspace(a,b,n)
ترسیم دو بعدی y برحسب x:
plot(x,y)
ترسیم سه بعدی:
plot3(x,y,z)
دستور زیر مقادیری از B که از 6 بزرگتر است را در A ذخیره میکند:
A=B(B>6)
شیفت دادن چرخشی: دستور زیر ماتریس B را یک واحد در جهت عمودی (از بالا به پایین) و دو واحد در جهت افقی (از راست به چپ) شیفت چرخشی میدهد.
A=circshift(B, [1, -2])
دستور زیر ابعاد یک ماتریس را برمیگرداند:
size(A)
دستور زیر طول یک بردار را برمیگرداند: (اگر A دارای بیش از یک بعد باشد، طول طولانیترین بعد برگردانده میشود)
length(A)
با دستور زیر میتوان تابع f را در محیط editor مشاهده کرد و در صورت دلخواه آن را تغییر داد. با این دستور حتی میتوان توابع خود MATLAB را نیز ویرایش نمود.
edit f
دستور زیر ماتریس B را بصورت تنک (خلوت) در A ذیره میکند. اگر تعداد زیادی از مقادیر یک ماتریس برابر با صفر باشد با این روش میتوان در تخصیص حافظه صرفهجویی کرد.
A = sparse(B)
دستور زیر ماتریس B را از حالت تنک به حالت کامل تبدیل کرده و در A ذخیره میکند.
A = full(B)
توابع مخصوص رشتهها:

• strcat متصل کردن دو رشته
• strcmp مقایسه دو رشته
• strcmpi مقایسه دو رشته صرفنظر از بزرگ یا کوچک بودن حروف

تمام جایگشتهای ممکن مقادیر یک بردار:
perms(A)
حذف مقادیر تکراری از یک بردار:
unique(A)
نمایش هیستوگرام مقادیر یک ماتریس:
hist(A,…)
دستورات کار با تصاویر:

• I=imread(‘pic1.jpg’) خواندن تصویر
• imshow(I) نمایش تصویر
• imwrite(I, ‘pic2.gif’) ذخیره تصویر
• figure باز کردن پنجره جدید برای عکس بعدی تا عکس قبلی از بین نرود

اشتراک دو مجموعه:
intersect(A,B)
دستورات برنامه نویسی در متلب:

ابن دستورات شامل تکرارها و شروط در متلب می شوند:
حلقه ها
for i=start : end
دستورات
end
while(شرط)
دستورات
end
if(شرط)
دستورات
end
اجرای برنامه تا فشردن یک کلید متوقف میماند:
pause
اجرای برنامه به مدت n ثانیه متوقف میماند:
pause(n)
در عبارت زیر اولین گروه از دستورات اجرا میشوند. اگر خطایی رخ دهد اجرای این دستورات متوقف شده و دومین گروه از دستورات اجرا میشود.
try
statements
catch
statement
end
با دستور زیر میتوان محیط ایجاد رابط کاربر گرافیکی را مشاهده کرد.
guide
با دستور زیر میتوان مدت زمان اجرای هر یک از خطوط برنامه را مشاهده کرد.
profile {on, off, viewer}
نمایش پیغام: نحوه استفاده از این دستور همانند printf() در زبان C است.
fprintf(‘\n i=%d’, i)
نمایش پیغام خطا و خروج از اجرای برنامه:
error(‘your error message’)
 
شاید علاقه مند باشید مطالب زیر را هم ببینید:
 

• آموزش مقدماتی Matlab
• توابع نمایی در متلب
• ماشین های القایی متقارن در متلب قسمت دوم
• چگونه تخفیف 25درصد از متلبی بگیریم