Matlab函数
MAX:
当A是一个列向量时候，返回一个最大值，在此不在赘述。
当Amxn是一个矩阵的时候，有以下几种情况：
① C = max(max(A))，返回矩阵最大值
② D = max(A,[],1)，返回每一行的最大值，即mx1的行向量
③ E = max(A,[],2)，返回每一列的最大值，即1xm的列向量
④ F = max(A,8)，当元素小于8，用8填充
⑤ [U V] = max(A)，返回行列最大元素的行号与列号
注意以下几个表达式：
H = max(A)
I = max(A(:))
J = max(A(:,:))
编程实验如下：
A = fix (rand (5,3)*50)%
B = A;%矩阵备份一次
C = max(max(A))%矩阵最值
D = max(A,[],1)%每一列的最值，得到行向量
E = max(A,[],2)%每一行的最值，得到列向量
F = max(A,8)%小于8的数替换成8
[U V] = max(A)%U为列极值，V为行号
H = max(A)%功能同D
I = max(A(:))%功能同C
J = max(A(:,:))%功能同D
结果输出：
A =
37 47 42
12 27 12
25 8 40
34 8 12
44 12 46
C = 47
D = 44 47 46
E =
47
27
40
34
46
F =
37 47 42
12 27 12
25 6 40
34 7 12
44 12 46
U = 44 47 46
V = 5 1 5
H = 44 47 46
I = 47
J = 44 47 46
------------------------------------------------------------------------------------------------------------------------
repmat
B = repmat(A,m,n)
B = repmat(A,[m n])
B = repmat(A,[m n p...])
这是一个处理大矩阵且内容有重复时使用，其功能是以A的内容堆叠在（MxN）的矩阵B中，B矩阵的大小由MxN及A矩阵的内容决定，如果A是一个3x4x5的矩阵，有B = repmat(A,2,3)则最后的矩阵是6x12x5
例如：
>>B=repmat( [1 2;3 4],2,3)
B =
1 2 1 2 1 2
3 4 3 4 3 4
1 2 1 2 1 2
3 4 3 4 3 4
其结果变为4X6。Ａ也可以置放文字串，如：
>>C=repmat(' Long live the king!', 2,2)
C =
Long live the king! Long live the king!
Long live the king! Long live the king!
也可置放其他的：
>> D=repmat(NaN,2,5)
D =
NaN NaN NaN NaN NaN
NaN NaN NaN NaN NaN
dist
dist——欧式距离加权函数（Euclidean distance weight function）
语法：
Z = dist(W,P)
df = dist('deriv')
D = dist(pos)
描述：dist是一个欧式距离加权函数，给一个输入使用权值，去获得加权的输入。
1、dist(W,P)中：W——S×R的权值矩阵；P——R×Q的矩阵，表示Q个输入（列）向量
2、dist('deriv')返回‘’，因为dist没有导函数。
3、dist也是一个层距离函数，可以被用来寻找一层中神经元之间的距离。
dist(pos)输入一个参数，pos——N×S的神经元位置矩阵，返回S×S的距离矩阵
例子：
1、这里，我们定义一个随机权重矩阵W，以及输入向量P，并且计算相应的加权输入Z
W = rand(4,3);
P = rand(3,1);
Z = dist(W,P)
2、我们定义10个神经元的随机的位置矩阵，并且寻找他们的距离,这些神经元是在3维空间中的。
pos = rand(3,10);
D = dist(pos)
综上可知：
dist可以计算样本集中多个样本两两之间的距离矩阵。
对于图像I，将其分成n个超像素，每个超像素的特征有3维，那么形成3×n的超像素特征矩阵M，每列表示一个超像素。
此时，使用dist(M)，就会得到一个n×n的矩阵N，其中的元素Nij表示的是第i个超像素和第j个超像素特征之间的欧式距离。
-----------------------------------------------------------------------------------------------------------------------------------------------------mean
函数功能
求数组的平均数或者均值
使用方法
M = mean(A)
返回沿数组中不同维的元素的平均值。
如果A是一个向量，mean(A)返回A中元素的平均值。
如果A是一个矩阵，mean(A)将其中的各列视为向量，把矩阵中的每列看成一个向量，返回一个包含每一列所有元素的平均值的行向量。
如果A是一个多元数组，mean(A)将数组中第一个非单一维的值看成一个向量，返回每个向量的平均值。
M = mean(A,dim)
返回A中沿着标量dim指定的维数上的元素的平均值。对于矩阵，mean(A,2)就是包含每一行的平均值的列向量。
《Simulink与信号处理》
应用举例 编辑本段回目录
A = [1 2 3; 3 3 6; 4 6 8; 4 7 7];
mean(A)
ans =
3.0000 4.5000 6.0000
mean(A,2)
ans =
2.0000
4.0000
6.0000
6.0000
mean(A)
当A为向量时，那么返回值为该向量所有元素的均值
当A为矩阵时，那么返回值为该矩阵各列向量的均值
mean(A,2)
返回值为该矩阵的各行向量的均值
---------------------------------------------------------------------------------------------------------------------------------------------------size
（1）s=size(A),当只有一个输出参数时，返回一个行向量，该行向量的第一个元素时数组的行数，第二个元素是数组的列数。
（2）[r,c]=size(A),当有两个输出参数时，size函数将数组的行数返回到第一个输出变量，将数组的列数返回到第二个输出变量。
（3）如果在size函数的输入参数中再添加一项，并用1或2为该项赋值，则size将返回数组的行数或列数。其中r=size(A,1)该语句返回的时数组A的行数， c=size(A,2) 该语句返回的时数组A的列数。
比如ndims([1 2 3;4 5 6])
等于2，因为他是二维矩阵
matlab认为向量也是二维矩阵，只不过其中一个维度的长为1.
因此ndims([1 2 3])也等于2
我们可以构造一个三维甚至更高维度的矩阵，
比如a=cat(3,[1 2 3 4;5 6 7 8],[9 8 7 6;5 4 3 2])
他除了行和列以外还有一个维度，我们暂且把它叫做高度。
也就是说a有两层，第一层是[1 2 3 4;5 6 7 8]，第二层是[9 8 7 6;5 4 3 2]
此时有size(a)=[2 4 2]
即2行4列2层
length(a)=4
（[2 4 2]中最大为4）
ndims(a)=3
（因为他有3个维度）
找到非零元素的索引和值
语法：
1. ind = find(X)
2. ind = find(X, k)
3. ind = find(X, k, 'first')
4. ind = find(X, k, 'last')
5. [row,col] = find(X, ...)
6. [row,col,v] = find(X, ...)
说明：
1. ind = find(X)
找出矩阵X中的所有非零元素，并将这些元素的线性索引值（linear indices：按列）返回到向量ind中。
如果X是一个行向量，则ind是一个行向量；否则，ind是一个列向量。
如果X不含非零元素或是一个空矩阵，则ind是一个空矩阵。
2. ind = find(X, k) 或 3. ind = find(X, k, 'first')
返回第一个非零元素k的索引值。
k必须是一个正数，但是它可以是任何数字数值类型。
4. ind = find(X, k, 'last')
返回最后一个非零元素k的索引值。
5. [row,col] = find(X, ...)
返回矩阵X中非零元素的行和列的索引值。
这个语法对于处理稀疏矩阵尤其有用。
如果X是一个N（N>2）维矩阵，col包括列的线性索引。
例如，一个5*7*3的矩阵X，有一个非零元素X（4,2,3），find函数将返回row=4和col=16。也就是说，（第1页有7列）+（第2页有7列）+（第3页有2列）=16。
6. [row,col,v] = find(X, ...)
返回X中非零元素的一个列或行向量v，同时返回行和列的索引值。
如果X是一个逻辑表示，则v是一个逻辑矩阵。
输出向量v包含通过评估X表示得到的逻辑矩阵的非零元素。
例如，
A= magic(4)
A =
16 2 3 13
5 11 10 8
9 7 6 12
4 14 15 1
[r,c,v]= find(A>10);
r', c', v'
ans =
1 2 4 4 1 3 (按列)
ans =
1 2 2 3 4 4 （按列）
ans =
1 1 1 1 1 1
这里返回的向量v是一个逻辑矩阵，它包含N个非零元素，N=(A>10)
例子：
例1
X = [1 0 4 -3 0 0 0 8 6];
indices = find(X)
返回X中非零元素的线性索引值。
indices =
1 3 4 8 9
例2
你可以用一个逻辑表达方式定义X。例如
find(X > 2)
返回X中大于2的元素的相对应的线性索引值。
ans =
3 8 9
例3
下面find指令
X = [3 2 0; -5 0 7; 0 0 1];
[r,c,v] = find(X)
返回X中非零元素行索引值的向量
r =
1
2
1
2
3
X中非零元素列索引值的向量
c =
1
1
2
3
3
包含X中非零元素的向量
v =
3
-5
2
7
1 （按列）
例4
下列表示
[r,c,v] = find(X>2)
返回包含X中非零元素的行索引值的向量
r =
1
2
包含X中非零元素的列索引值的向量
c =
1
3
包含N=(X>2)非零元素的逻辑矩阵
v =
1
1
记住，当你用find指令处理一个逻辑表达的时候，输出向量v不包含输入矩阵的非零元素的索引值。而是包含评估逻辑表达之后返回的非零值。
例5
在向量上的一些操作
x = [11 0 33 0 55]';
find(x)
ans =
1
3
5
find(x == 0)
ans =
2
4
find(0 < x & x < 10*pi)
ans =
1
例6
对于矩阵
M = magic(3)
M =
8 1 6
3 5 7
4 9 2
find(M > 3, 4)
返回前四个M>3的索引值
ans =
1
3
5
6
例7
如果X是一个全零向量，find(X)返回一个空矩阵。
例如indices = find([0;0;0])
indices =
Empty matrix: 0-by-1
---------------------------------------------------------------------------------------------------------------------------------------------------------------------------
tril & triu