matlab曲线拟合与矩阵计算
利用Matlab进行矩阵拟合与优化
利用Matlab进行矩阵拟合与优化概述矩阵拟合与优化是在很多领域中广泛使用的重要技术。
利用Matlab可以方便地实现矩阵拟合和优化算法，提高数据分析的效率和准确性。
本文将介绍利用Matlab进行矩阵拟合与优化的方法和原理。
一、矩阵拟合的基本原理矩阵拟合是指利用已知的一组数据集，通过构建合适的模型，找到可以最好地描述这组数据的矩阵。
矩阵拟合的基本原理是最小二乘法。
最小二乘法是一种数学优化方法，通过最小化残差平方和来找到最佳拟合矩阵。
在Matlab中，可以利用最小二乘法进行矩阵拟合，使用的函数是`lsqcurvefit`。
二、矩阵拟合的步骤1. 数据准备矩阵拟合的第一步是准备好需要拟合的数据。
通常情况下，数据是以矩阵的形式给出的，其中每一列是一个特征或变量，每一行是一个样本。
需要拟合的目标是找到一个矩阵来最好地描述这些数据。
2. 构建模型构建合适的模型是矩阵拟合的关键。
模型选择的好坏将直接影响到拟合的效果。
在Matlab中，可以使用多种方法构建模型，包括多项式拟合、曲线拟合、线性拟合等。
3. 拟合过程利用Matlab中的拟合函数进行矩阵拟合。
`lsqcurvefit`函数是最常用的矩阵拟合函数之一。
该函数需要提供拟合模型、初始矩阵以及拟合数据。
根据拟合的目标，可以设置各种参数，如约束条件、权重等。
4. 拟合结果分析拟合完成后，需要对拟合结果进行分析和评估。
可以计算拟合误差，比较拟合结果与原始数据的吻合度。
此外，也可以对拟合后的矩阵进行可视化展示，以便更直观地理解拟合效果。
三、矩阵优化的基本原理矩阵优化是指在给定一组约束条件下，找到一个最佳的矩阵，使得目标函数达到最小或最大。
矩阵优化在很多领域中都有广泛的应用，如机器学习、图像处理、信号处理等。
在Matlab中，可以利用优化工具箱中的函数进行矩阵优化，如`fmincon`、`fminunc`等。
四、矩阵优化的步骤1. 目标函数和约束条件的定义矩阵优化的第一步是定义目标函数和约束条件。
matlab 两组数据拟合转换矩阵
在实际应用中，经常会遇到需要对两组数据进行拟合和转换的情况。
而在MATLAB中，通过使用转换矩阵，我们可以很方便地实现这一目的。
本文将介绍在MATLAB中如何对两组数据进行拟合，并得到转换矩阵的方法。
二、数据拟合1. 我们需要准备两组数据，分别表示原始数据和目标数据。
在MATLAB中，可以通过导入数据文件或者手动输入数据的方式得到这些数据。
2. 接下来，我们可以使用MATLAB中的拟合函数来对这两组数据进行拟合。
常用的拟合函数包括polyfit、fit和lsqcurvefit等，根据实际情况选择合适的拟合函数进行计算。
3. 进行数据拟合后，我们可以得到拟合系数或者拟合曲线，这些结果将作为后续计算转换矩阵的基础。
三、计算转换矩阵1. 有了拟合系数或者拟合曲线后，我们就可以开始计算转换矩阵了。
在MATLAB中，可以通过矩阵运算和线性代数函数来实现这一目的。
2. 根据拟合结果，构建原始数据和目标数据的矩阵表示。
这两个矩阵分别表示原始数据和目标数据在拟合模型下的表达。
3. 利用MATLAB中的线性代数函数，求解转换矩阵。
常用的函数包括inv、pinv和\操作符等，选择合适的函数来进行矩阵运算并求解出转4. 得到转换矩阵后，我们可以对原始数据进行变换，得到与目标数据相近的结果。
这样，就实现了两组数据的拟合和转换。
四、实例演示为了更好地理解在MATLAB中如何进行两组数据的拟合和转换，我们给出一个实际的实例演示。
假设有一组原始数据X和一组目标数据Y，它们之间存在一定的关系，但并不完全相同。
我们希望通过拟合和转换，得到一个转换矩阵，将X转换为与Y接近的结果。
利用MATLAB中的拟合函数对X和Y进行数据拟合，得到拟合曲线。
根据拟合结果，构建X和Y的矩阵表示，并通过线性代数函数计算得到转换矩阵。
利用得到的转换矩阵对X进行变换，得到与Y相近的结果。
五、总结本文介绍了在MATLAB中对两组数据进行拟合和转换的方法，包括数据拟合和转换矩阵的计算步骤，并通过实例演示加深了读者对这一方法的理解。
MATLAB曲线拟合函数
MATLAB曲线拟合函数⼀、多项式拟合ployfit(x,y,n) ：找到次数为 n 的多项式系数，对于数据集合 {(x_i,y_i)}，满⾜差的平⽅和最⼩[P,E] = ployfit(x,y,n) ：返回同上的多项式 P 和矩阵 E 。
多项式系数在向量 p 中，矩阵 E ⽤在 ployval 函数中来计算误差某数据的横坐标为 x= [0.2 0.3 0.5 0.6 0.8 0.9 1.2 1.3 1.5 1.8]，纵坐标为 y = [1 2 3 5 6 7 6 5 4 1]，对该数据进⾏多项式拟合代码clear allclcx = [0.2 0.3 0.5 0.6 0.8 0.9 1.2 1.3 1.5 1.8];y = [1 2 3 5 6 7 6 5 4 1];p5 = polyfit(x,y,5); % 5 阶多项式拟合y5 = polyval(p5,x);p5 = vpa(poly2sym(p5),5) %显⽰ 5 阶多项式p9 = polyfit(x,y,9); % 9 阶多项式y9 = polyval(p9,x);figure; %画图plot(x,y,'bo');hold on;plot(x,y5,'r:');plot(x,y9,'g--');legend('原始数据','5 阶多项式拟合','9 阶多项式拟合');xlabel('x');xlabel('y');运⾏程序后，得到的 5 阶多项式如下：p5 =10.041x^5 + 58.244x^4 - 124.54x^3 + 110.79x^2 - 31.838*x + 4.0393输出结果如下：可见，当采⽤ 9 次拟合时，得到的结果与原数据符合的⽐较好。
当使⽤函数 polyfit() 进⾏拟合时，多项式的阶次最⼤不超过 length(x) - 1⼆、加权最⼩⽅差(WLS)拟合原理及实例加权最⼩⽅差就是根据基础数据本⾝各⾃的准确度的不同，在拟合的时候给每个数据以不同的加权数值。
Matlab中的曲线拟合方法
Matlab中的曲线拟合方法引言在科学与工程领域，数据拟合是一个重要的技术，可用于分析实验数据、预测未知的对应关系，并量化观察到的现象。
其中，曲线拟合是一种常见的数据拟合方法，而Matlab作为一种功能强大的科学计算软件，提供了多种曲线拟合工具和函数，方便用户进行数据分析和模型建立。
本文将对Matlab中的曲线拟合方法进行详细介绍和讨论。
一、线性拟合线性拟合是最简单且常见的曲线拟合方法，其基本思想是通过一条直线拟合数据点，找到最佳拟合直线的参数。
在Matlab中，可以使用polyfit函数实现线性拟合。
该函数接受两个输入参数，第一个参数为数据点的x坐标，第二个参数为数据点的y坐标。
返回结果为一个一次多项式拟合模型的参数。
例如，我们有一组实验测量数据如下：x = [1, 2, 3, 4, 5];y = [3, 5, 7, 9, 11];通过polyfit函数进行线性拟合：coeff = polyfit(x, y, 1);其中，1表示要拟合的多项式的次数，这里我们选择了一次多项式（直线）。
coeff即为拟合得到的直线的参数，可以通过polyval函数将参数代入直线方程，得到对应x的y值。
y_fit = polyval(coeff, x);接下来，我们可以使用plot函数将原始数据点和拟合曲线都绘制在同一张图上：figure;plot(x, y, 'o', 'MarkerSize', 10); % 绘制原始数据点hold on;plot(x, y_fit); % 绘制拟合曲线xlabel('x');ylabel('y');legend('原始数据点', '拟合曲线');通过观察图像，我们可以初步判断拟合的效果如何。
如果数据点较为分散，直线拟合效果可能较差。
在此情况下，可以考虑使用更高次的多项式进行拟合。
二、多项式拟合多项式拟合是一种常见的曲线拟合方法，其基本思想是通过一个一定次数的多项式函数来拟合数据点。
matlab拟合曲线并得到方程和拟合曲线
matlab拟合曲线并得到方程和拟合曲线1. 引言1.1 概述在科学研究和工程实践中，我们通常需要对实验数据或观测数据进行分析和处理。
拟合曲线是一种常用的数学方法，可以通过拟合已有的数据来找到代表这些数据的函数模型。
Matlab作为一款功能强大的数值计算软件，提供了多种拟合曲线的方法和工具，可以帮助用户快速高效地进行数据拟合并得到拟合方程和结果。
1.2 文章结构本文分为五个部分来介绍Matlab拟合曲线方法及其应用。
首先，在引言部分将概述文章的主要内容和结构安排；其次，在第二部分将介绍Matlab拟合曲线的原理，包括什么是拟合曲线、Matlab中常用的拟合曲线方法以及其优缺点；然后，在第三部分将通过一个实例分析来具体讲解使用Matlab进行拟合曲线的步骤，并展示得到方程和拟合曲线的结果；接着，在第四部分将探讨不同领域中对于拟合曲线的应用场景，并给出相应案例研究；最后，在第五部分将总结已有研究成果，发现问题，并对Matlab拟合曲线方法进行评价和展望未来的研究方向。
1.3 目的本文的目的是介绍Matlab拟合曲线的原理、步骤以及应用场景，旨在帮助读者了解和掌握Matlab拟合曲线的方法，并将其应用于自己的科研、工程实践或其他领域中。
通过本文的阅读，读者可以了解到不同拟合曲线方法之间的区别和适用情况，并学习如何使用Matlab进行数据拟合并得到拟合方程和结果。
最终，读者可以根据自己的需求选择合适的拟合曲线方法，提高数据分析和处理的准确性和效率。
2. Matlab拟合曲线的原理2.1 什么是拟合曲线拟合曲线是一种通过数学方法，将已知数据点用一个连续的曲线来近似表示的技术。
它可以通过最小二乘法等统计学方法找到使得拟合曲线与数据点之间误差最小的参数。
2.2 Matlab中的拟合曲线方法在Matlab中，有多种方法可以进行拟合曲线操作。
其中常用的包括多项式拟合、非线性最小二乘法拟合和样条插值等。
- 多项式拟合：利用多项式函数逼近已知数据点，其中最常见的是使用一次、二次或高阶多项式进行拟合。
在Matlab中进行数据拟合和曲线拟合的方法
在Matlab中进行数据拟合和曲线拟合的方法在科学研究或工程应用中，数据拟合和曲线拟合是常见的计算任务之一。
Matlab作为一种强大的数值计算软件，提供了丰富的工具和函数，方便我们进行数据拟合和曲线拟合的操作。
本文将介绍在Matlab中进行数据拟合和曲线拟合的几种方法。
一、线性回归线性回归是最简单的数据拟合方法之一，常用于建立变量之间的线性关系模型。
在Matlab中，可以使用polyfit函数进行线性回归拟合。
该函数可以根据输入数据点的横纵坐标，拟合出一条直线，并返回直线的斜率和截距。
例如，以下代码演示了如何使用polyfit函数进行线性回归拟合：```matlabx = [1, 2, 3, 4, 5];y = [2, 3, 4, 5, 6];coefficients = polyfit(x, y, 1);slope = coefficients(1);intercept = coefficients(2);```在上述代码中，数组x和y分别表示数据点的横纵坐标。
polyfit函数的第三个参数1表示拟合的直线为一阶多项式。
函数返回的coefficients是一个包含斜率和截距的数组，可以通过coefficients(1)和coefficients(2)获取。
二、多项式拟合在实际应用中，线性模型并不适用于所有情况。
有时，数据点之间的关系可能更复杂，需要使用更高阶的多项式模型来拟合。
Matlab中的polyfit函数同样支持多项式拟合。
我们可以通过调整多项式的阶数来拟合不同次数的曲线。
以下代码展示了如何使用polyfit函数进行二次多项式拟合：```matlabx = [1, 2, 3, 4, 5];y = [2, 6, 10, 16, 24];coefficients = polyfit(x, y, 2);a = coefficients(1);b = coefficients(2);c = coefficients(3);```在上述代码中，polyfit的第三个参数2表示拟合的多项式为二阶。
如何使用MATLAB进行曲线拟合
如何使用MATLAB进行曲线拟合MATLAB是一种功能强大的数学软件，它提供了许多用于数据分析和曲线拟合的工具。
曲线拟合是一项常用的数学技术，它用于找到数据集中最符合实际情况的曲线。
在本文中，我们将探讨如何使用MATLAB进行曲线拟合，以及一些常见的曲线拟合方法。
在开始之前，让我们先了解一下曲线拟合的概念。
曲线拟合是通过将已知数据点拟合到合适的曲线上来预测未知数据点的技术。
它可以用于数据分析、模型建立、趋势预测等许多领域。
MATLAB提供了多种曲线拟合的方法，其中最常见的是最小二乘拟合。
最小二乘拟合是一种通过最小化观测数据的平方误差来确定参数的方法。
在MATLAB 中，可以使用"polyfit"函数进行最小二乘拟合。
该函数可以拟合多项式曲线和线性曲线。
例如，我们有一组数据点x和对应的y，我们想要拟合一个一次多项式曲线y= ax + b。
我们可以使用"polyfit"函数来找到最佳拟合，并返回系数a和b。
```matlabx = [1, 2, 3, 4, 5];y = [2, 3, 4, 5, 6];p = polyfit(x, y, 1);a = p(1);b = p(2);```在上面的代码中，"polyfit"函数的第一个参数是x值，第二个参数是y值，第三个参数是拟合多项式的阶数。
在这个例子中，我们使用一次多项式即阶数为1。
除了最小二乘拟合，MATLAB还提供了其他一些常用的曲线拟合方法，例如多项式拟合、指数拟合和对数拟合。
这些方法可以通过更改"polyfit"函数的第三个参数来使用。
另一个常用的曲线拟合方法是通过曲线拟合工具箱中的"fit"函数进行非线性拟合。
非线性拟合是指目标函数和参数之间是非线性关系的拟合。
与最小二乘拟合不同，非线性拟合能够拟合更复杂的曲线和模型。
例如，我们有一组数据点x和对应的y，我们想要拟合一个指数曲线y = ae^bx。
matlab如何实现曲线拟合？matlab做曲线拟合的教程
matlab如何实现曲线拟合？matlab做曲线拟合的教程Matlab是⼀个很强⼤的数据处理软件，是⼈们进⾏数据分析的得⼒助⼿。
⼀般我们做社会调研或科学研究时，会得到很多实验
数据。
当需要研究两个变量之间的关系时，经常要⽤到曲线拟合。
曲线拟合不仅能给出拟合后的关系式，还能⽤图形直观的展现出变量之间的关系。
其实⽤matlab做曲线拟合很便捷，下⾯将以两个变量(y=f(x))为例详细介绍：
1、运⾏Matlab软件。
在⼯作空间中存⼊变量的实验数据。
具体如下：可以直接⽤矩阵来存放数据，直接在命令窗⼝输⼊
x=[数据x1，数据x2，...,数据xn];
y=[数据y1，数据y2，...,数据yn];
当数据较多时，可以从excel，txt等⽂件中导⼊。
2、把数据存⼊⼯作空间后，在命令窗⼝中输⼊cftool,回车运⾏。
3、在这个拟合⼯具窗⼝的左边，选择变量，即分别选择x,y。
4、选择拟合的曲线类型，⼀般是线性拟合，⾼斯曲线，平滑曲线等，根据需要选择。
选择完后会⾃动完成拟合，并且给出拟合函数表达式。
5、点击菜单栏中的“file”，选择“print to figure"进⾏画图。
6、在图形窗⼝中，可以对图形显⽰模式进⾏修改，如添加标题，坐标名称等。
7、最后得到⽐较完整的图形曲线。
点击”file"中的“save"进⾏保存。
注意事项：x和y的数据个数应该⼀致。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
X 例:根据表中数据进行4阶多项式拟合 1 3 4 5 6 7 8 9 10 F(x) 10 5 4 2 1 1 2 3 4
>> >> >> >> >>
x=[1 3 4 5 6 7 8 9 10]; y=[10 5 4 2 1 1 2 3 4]; [p,s]=polyfit(x,y,4); y1=polyval(p,x); plot(x,y,'go',x,y1,'b--')
（1）打开曲线拟合工具界面 通过cftool命令打开曲线拟合工具界面
5个命令按钮
Data按钮：可输出、查看和平滑数据； Fitting按钮：可拟合数据、比较拟合曲线和 数据集； Exclude按钮：可以从拟合曲线中排除特殊 的数据点； Ploting按钮：在选定区间后，单击按钮， 可以显示拟合曲线和数据集； Analysis按钮：可以做内插法、外推法、微 分或积分拟合。
[p,s,mu]=polyfit(x,y,n) 返回多项式的系数，mu是一个二维向量 [u1,u2],u1=mean(x),u2=std(x),对数据 进行预处理 x=(x-u1)/u2
(2)Polyval函数
利用该函数进行多项式曲线拟合评价
y=polyval(p,x) 返回n阶多项式在x处的值，x可以是一个矩 阵或者是一个向量，向量p是n+1个以降序 排列的多项式的系数。
Matlab应用重点（1） 曲线拟合
曲线拟合定义
在实际工程应用和科学实践中，经常需要寻求 两个（或多个）变量间的关系，而实际去只能 通过观测得到一些离散的数据点。针对这些分 散的数据点，运用某种你和方法生成一条连续 的曲线，这个过程称为曲线拟合。 曲线拟合可分为： （1）参数拟合 ---- 最小二乘法 （2）非参数拟合 ---- 插值法
10 9 8 7 6 5 4 3 2
>> poly2str(p,'t') ans = -0.0049945 t^4 + 0.11461 t^3 - 0.61143 t^2 - 1.1005 t + 11.5499
1 1 2 3 4 5 6 7 8 9 10
例：电阻和温度的关系数据如下
求60度时的电阻. 温度 20.5 32.7 51.0 73.0 95.7 电阻 765 826 873 942 1032 >> T=[20.5 32.7 51 73 95.7]; >> R=[765 826 873 942 1032]; >> a=polyfit(T,R,1); >> y=poly2str(a,'t') y= 3.3987 t + 702.0968
例 >> x=[0 0.0385 0.0963 0.1925 0.2888 0.385]; >> y=[0.042 0.104 0.186 0.338 0.479 0.612]; >> [p,s,mu]=polyfit(x,y,5)
输出结果为： p= Columns 1 through 5 0.0193 -0.0110 -0.0430 0.2449 Column 6 0.2961 说明拟合的多项式为：
例：输入数据，采用matlab自带的文件 census
census 有两个变量：cdate和pop。 cdate是一个年向量，包括1790-1990年， pop是对应年份的美国人口。 >> whos -file census Name Size Bytes Class Attributes cdate 21x1 168 double pop 21x1 168 double >> load census >> cftool(cdate,pop)
一、数据预处理
在曲线拟合之前必须对数据进行预处理，去 除界外值、不定值和重复值，以减少人为误 差，提高拟合的精度。 数据预处理包括： （1）数据输入与查看 （2）数据的预处理 传输数据通过数据GUI来实现，查看数据点 通过曲线拟合工具的散点图来实现。
1.输入和查看数据集
排除法是对数据中的异常值进行排除。 （2）排除法和区间排除法 区间排除法是采用一定的区间去排除那些用 于系统误差导致偏离正常值的异常值。 在曲线拟合工具中单击Exclude按钮，可以 打开Exclude对话框
Exclusion rule name指定分离规则的名称 Existing exclusion rules列表产生的文件 名，当你选择一个文件名时，可以进行如下操 作： Copy 复制分离规则的文件； Rename重命名；delete 删去一个文件； View以图形的形式展示分离规则的文件。 Select data set 挑选需要操作的数据集； Exclude graphically允许你以图形的形式去除 异常值，排除个别的点用“×”标记。
Hale Waihona Puke 1.多项式拟合函数 (1)Polyfit函数 P=polyfit(x,y,n) 用最小二乘法对数据进行拟合，返回n次多 项式的系数，并用降序排列的向量表示，长 度为n+1. n n 1
p( x ) p1 x p2 x
pn x pn 1
[p,s]=polyfit(x,y,n) 返回多项式系数向量p和矩阵s。s与 polyval函数一起用时，可以得到预测值的 误差估计。如数据y的误差服从方差为常数 的 独立正态分布，polyval函数将生成一个误 差范围，其中包含至少50%的预测值.
(1)平滑数据
打开拟合工具箱，单击Data按钮，打开 Data对话框，选择Smooth选项卡
Smooth选项卡各选项的功能：
.Original data set 用于挑选需要拟合的数 据集； .Smoothed data set平滑数据的名称； .Method用于选择平滑数据的方法，每一个 相应数据用通过特殊的曲线平滑方法所计算 的结果来取代。平滑数据的方法包括： （ⅰ）Moving average 用移动平均值进 行替换； （ⅱ）Lowess局部加权散点图平滑数据， 采用线性最小二乘法和一阶多项式拟合得到 的数据进行替换；
.Preview 对所选向量进行图形化预览 .Data set name 设置数据集的名称。工具 箱可以随即产生唯一的文件名，但用户可以 重命名。 .Data sets 选项以列表的形式显示所有拟 合的数据集。当选择一个数据集时，可以对 它做如下操作： .View 查看数据集，以图标形式和列表形 式，可以选择方法排除异常值； .Rename 重命名 .Delete 删除数据组
其他的预处理方法不便通过曲线拟合工具箱 来完成，主要包括两部分： 响应数据的转换和去除无穷大、缺失值和异 常值。 响应数据的转换一般包括对数转换、指数转 换，用这些转换可以使非线性的模型线性 化，便于曲线拟合。变量的转换一般在命令 行里实现，然后把转换后的数据输入曲线拟 合工具箱，进行拟合。
无穷大、不定值在曲线拟合中可以忽略，如 果想把他们从数据集中删除，可以用isinf和 isnan置换无穷大值和缺失值。
二、曲线拟合
Matlab提供两种曲线拟合方法： （1）以函数的形式，使用命令对数据进行 拟合。这种方法比较繁琐，需要对拟合函数 有比较好的了解。 （2）用图形窗口进行操作，具有简便、快 速，可操作性强的优点。
1050
1000
950
900
850
800
750 20
30
40
50
60
70
80
90
100
例：已知年龄和运动能力的一组数据，试确定 二者的关系(根据图形指定次数)
年龄 17 19 21 23 25 27 29 第一人20.48 25.13 26.15 30.0 26.1 20.3 19.35 第二人24.35 28.11 26.3 31.4 26.92 25.7 21.3
（2）输入数据集
在输入数据之前，数据变量必须存在于 matlab的工作区间。可以通过load命令输 入变量。单击曲线拟合工具界面中的Data 按钮，打开Data对话框，在对话框中进行 设 置，可以输入数据。
Data对话框
包括两个选项卡：Data Sets 和 Smooth. Data Sets选项卡： .Import workspace vectors 把向量输 入工作区，要注意的是变量必须具有相同的 维数，无穷大的值和不定值被忽略。 X data 用于选择观测数据 Y data 用于选择X的响应数据 Weight 用于选择权重，与响应数据相联系 的向量，如果没选择，默认值为1.
（ⅲ）Loess局部加权散点图平滑数据，采 用线性最小二乘法和二阶多项式拟合得到的 数据进行交换； （ⅳ）Savitzky-Golay 采用未加权的线性 最小二乘法过滤数据，利用指定阶数的多项 式得到的数据进行替换； （ⅴ）Span用于进行平滑计算的数据点的 数目； （ⅵ）Degree 用于Savitzky-Golay方法 拟合多项式的阶数。
Check to exclude point 挑选个别的点进 行排除，可以通过在数据表中打勾来选择要 排除的数据。 Exclude Sections 选定区域排除数据： Exclude X选择预测数据X要排除的数据 范围； Exclude Y选择响应数据Y要排除的数据范 围。
（3）其他数据预处理方法
.y=polyval(p,x,[],mu)
用x=(x-u1)/u2代替x，其中mu是一个
二维向量[u1,u2], u1=mean(x),u2=std(x),通过这 样处理数据，使数据合理化。