MATLAB数学建模入门：从数据导入到结果可视化的核心操作指南

1. 从“安装”到“跑通”一个数学建模新手的真实起点如果你正准备参加数学建模竞赛或者你的课程、科研项目第一次要求你使用MATLAB那么你大概率会和我当初一样面对这个陌生的软件感到一丝茫然。网络上充斥着各种“三天速成”、“零基础入门”的教程但真正坐下来从双击安装包到成功运行第一个能解决实际建模问题的脚本中间的路往往比想象中要曲折。这篇笔记不是一份面面俱到的官方手册而是一个从无数次报错、卡壳和“恍然大悟”中走过来的建模者为你梳理的一份“避坑指南”和“核心操作地图”。我们的目标很明确跳过那些华而不实的界面介绍直击在数学建模中真正高频、核心的MATLAB操作让你能用最短的时间把想法变成可运行的代码并看懂结果。很多人一开始就迷失在复杂的绘图函数或工具箱里但根据我的经验数学建模对MATLAB的依赖八成以上都集中在几个基础但关键的领域数据的高效导入与清洗、矩阵向量的快速计算、结果的可视化表达、以及脚本和函数的组织。掌握了这些你就能解决80%的常规建模问题。剩下的20%是算法实现和优化那需要更深入的数学和编程知识但有了坚实的地基往上盖楼会容易得多。这篇笔记我们就从最务实的地方开始。2. 环境搭建与第一行代码避开那些“理所当然”的坑在开始任何计算之前一个稳定、高效的工作环境是前提。很多人觉得安装软件是小事但恰恰是这里埋着第一个坑。2.1 安装版本选择与资源获取对于数学建模尤其是参加国赛、美赛这类竞赛版本的稳定性远比追求最新版重要。竞赛环境通常比较保守你用了2026b版的一个新函数可能在比赛现场的电脑上根本无法运行。我的建议是选择比当前主流版本稍旧一两个版本的稳定发行版。例如如果现在最新是2026b那么2024a或2025a会是更稳妥的选择。它们经过了更多用户的检验相关的教程和问题解答也最丰富。关于安装资源务必从MathWorks官网或学校提供的正版授权通道获取。网络上流传的破解版或绿色版常常缺失关键的工具箱或者在处理复杂矩阵运算时出现难以排查的奇异错误。数学建模的代码往往要运行数小时甚至数天一个底层的不稳定因素可能导致全部努力白费。学校的正版授权通常是免费的这是学生最大的福利一定要利用好。2.2 工作路径与文件夹管理良好的习惯从第一天开始安装完成后不要急着在默认的文档文件夹里新建脚本。首先为你当前的项目建立一个专属文件夹比如“2026_APMCM_B题”。然后在MATLAB中将这个文件夹设置为“当前文件夹”。这个操作至关重要它决定了MATLAB从哪里寻找你的数据文件.csv, .xlsx, .mat以及将生成的结果文件如图片、数据保存在哪里。注意很多“函数或变量无法识别”的错误根源就在于当前工作路径不对。MATLAB只会在当前文件夹和其搜索路径中寻找.m文件和函数。如果你把脚本文件放在桌面却试图调用另一个文件夹里的自定义函数自然会报错。一个高效的管理习惯是在项目文件夹内建立子文件夹例如\Data存放所有原始数据和预处理后的数据。\Code存放主脚本main.m和所有相关的函数文件myFunction.m。\Results存放程序生成的图表、表格和最终数据。\Docs存放题目、参考文献等。在脚本的开头你可以用addpath命令动态添加这些路径到搜索路径但更简单的方法是直接通过界面设置好“当前文件夹”。2.3 编写与运行你的第一个“有用”脚本打开MATLAB点击“新建脚本”我们会写一个真正在建模中会用到的简单例子而不是“Hello World”。% 数学建模入门示例数据读取与基本描述统计 % 作者[你的名字] % 日期2025-XX-XX %% 1. 清空环境与准备 clear all; % 清除工作区所有变量避免旧数据干扰 close all; % 关闭所有图形窗口 clc; % 清空命令窗口 %% 2. 加载数据 % 假设我们有一个名为sample_data.csv的数据文件存放在当前文件夹的\Data子目录下 % 文件内容可能是第一列是时间第二列是观测值A第三列是观测值B data readmatrix(Data/sample_data.csv); % readmatrix比老旧的csvread更强大 % 将数据矩阵的列分配给有意义的变量名增强代码可读性 time data(:, 1); % 提取第一列 obs_A data(:, 2); % 提取第二列 obs_B data(:, 3); % 提取第三列 %% 3. 基本计算与统计 % 计算观测值A和B的均值、标准差 mean_A mean(obs_A); std_A std(obs_A); mean_B mean(obs_B); std_B std(obs_B); % 计算两组观测值的相关系数这在建模中非常常用 correlation_AB corrcoef(obs_A, obs_B); % 返回一个相关系数矩阵 r_value correlation_AB(1, 2); % 提取非对角线上的相关系数 %% 4. 结果输出到命令窗口 fprintf(观测值A的均值: %.2f, 标准差: %.2f\n, mean_A, std_A); fprintf(观测值B的均值: %.2f, 标准差: %.2f\n, mean_B, std_B); fprintf(观测值A与B的相关系数r: %.3f\n, r_value); %% 5. 简单的可视化 figure(1); % 创建第一个图形窗口 subplot(2, 1, 1); % 创建2行1列的子图并激活第1个 plot(time, obs_A, b-o, LineWidth, 1.5, MarkerSize, 4); grid on; % 显示网格 xlabel(时间); ylabel(观测值A); title(观测值A随时间变化趋势); subplot(2, 1, 2); plot(time, obs_B, r-s, LineWidth, 1.5, MarkerSize, 4); grid on; xlabel(时间); ylabel(观测值B); title(观测值B随时间变化趋势); % 调整子图间距让图形更美观 sgtitle(数据初步分析); % 为整张图添加总标题 %% 6. 保存结果 % 将关键统计结果保存到一个结构体中方便后续调用 results.mean_A mean_A; results.std_A std_A; results.mean_B mean_B; results.std_B std_B; results.correlation r_value; % 将结构体保存为.mat文件方便下次直接加载 save(Results/analysis_results.mat, results); % 将图形保存为高分辨率PNG图片可用于论文插图 saveas(gcf, Results/data_plot.png);点击编辑器顶部的“运行”按钮绿色三角。如果一切设置正确你将在命令窗口看到统计结果并弹出一个包含两条曲线的图形窗口同时在Results文件夹里生成一个数据文件和一个图片文件。这个脚本虽然简单但涵盖了数学建模前期数据分析的完整闭环数据I/O、计算、展示、保存。理解这个流程比孤立地学习一百个函数更重要。3. 数学建模的核心引擎矩阵、向量与索引操作MATLAB的名字就是“矩阵实验室”Matrix Laboratory的缩写。在数学建模中几乎所有的问题最终都会转化为对矩阵和向量的操作。高效、正确地使用矩阵是提升代码性能和减少错误的关键。3.1 创建矩阵不止于方括号最直接的方式是使用方括号[]。A [1, 2, 3; 4, 5, 6; 7, 8, 9]; % 创建一个3x3矩阵分号;表示换行 v_row [1, 2, 3, 4]; % 行向量 v_col [1; 2; 3; 4]; % 列向量但在建模中我们更常需要生成有规律的矩阵。linspace和logspace用于生成线性或对数间隔的向量在定义自变量范围时极其有用。x linspace(0, 10, 100); % 在0到10之间生成100个等间隔的点 freq logspace(0, 3, 50); % 在10^0到10^3之间生成50个对数间隔的点用于频率分析zeros,ones,eye,rand,randn快速生成特殊矩阵。Z zeros(5, 3); % 5行3列的全零矩阵常用于初始化 I eye(4); % 4阶单位矩阵 R rand(100, 1); % 100x1的矩阵元素服从[0,1]均匀分布用于蒙特卡洛模拟 RN randn(1000, 1); % 标准正态分布随机数用于生成噪声或随机过程3.2 索引与切片精准提取你需要的数据这是最容易出错也最体现功力的地方。MATLAB的索引从1开始而不是0。单元素索引A(row, col)A magic(3); % 生成一个3阶魔方阵 element A(2, 3); % 获取第2行第3列的元素整行/整列提取使用冒号:row2 A(2, :); % 提取第2行所有元素得到一个行向量 col3 A(:, 3); % 提取第3列所有元素得到一个列向量范围切片sub_A A(1:2, 2:3); % 提取第1到2行第2到3列构成一个2x2子矩阵逻辑索引非常强大这是处理真实数据尤其是带有缺失值或异常值的利器。data [1, 5, NaN, 8, 2, Inf, 7]; % 找出所有非NaN且非Inf的有限数 valid_data data(isfinite(data)); % 结果: [1, 5, 8, 2, 7] % 找出所有大于3的值 large_values data(data 3); % 结果: [5, 8, Inf, 7] (注意Inf也被包含) % 更安全的做法结合条件 valid_large data(data 3 isfinite(data)); % 结果: [5, 8, 7]线性索引MATLAB在内存中按列存储矩阵。有时用单个索引访问元素更方便。A [1 2; 3 4; 5 6]; % A(4) 访问的是第4个元素按列数第一列1,3,5第二列2,4,6所以A(4) 4实操心得在建模中处理大规模数据时尽量避免在循环中使用A(i, j)来逐个赋值。MATLAB对矩阵的整体运算做了极致优化。例如要将一个矩阵B中所有大于阈值的元素置零应该写B(B threshold) 0;这比写一个双重for循环要快成百上千倍。这种操作称为“向量化”是写出高效MATLAB代码的灵魂。3.3 矩阵运算区分“按元素”和“线性代数”这是另一个关键概念混淆点。按元素运算Element-wise在运算符前加一个点.。要求两个矩阵维度完全相同。A [1, 2; 3, 4]; B [5, 6; 7, 8]; C A .* B; % 对应元素相乘C [1*5, 2*6; 3*7, 4*8] [5, 12; 21, 32] D A .^ 2; % 每个元素平方D [1, 4; 9, 16]线性代数运算直接使用运算符遵循线性代数规则。E A * B; % 矩阵乘法E [1*52*7, 1*62*8; 3*54*7, 3*64*8] [19, 22; 43, 50] F A * v_col; % 矩阵乘以向量假设v_col是2x1的在建模中解线性方程组Ax b我们不会去写求逆的代码x inv(A)*b因为数值上不稳定。而是使用左除运算符\它采用了更稳健的算法如LU分解、QR分解。x A \ b; % 求解线性方程组 A*x b这是推荐的做法4. 数据可视化让你的模型结果“说话”在数学建模论文中一张清晰的图表胜过千言万语。MATLAB的绘图系统非常强大但入门阶段掌握几个核心函数和定制技巧就足够了。4.1 二维基础绘图plot函数的深度定制plot(x, y)是最基本的但我们需要让它更专业。x linspace(0, 4*pi, 200); y1 sin(x); y2 cos(x) .* exp(-0.1*x); % 衰减的余弦波 figure(Position, [100, 100, 800, 400]); % 设置图形窗口位置和大小[左下宽高] % 绘制多条曲线并指定线型、颜色、标记、粗细 plot(x, y1, b-, LineWidth, 2, DisplayName, sin(x)); % 蓝色实线标签sin(x) hold on; % 保持当前图形以便在同一坐标系添加新图 plot(x, y2, r--, LineWidth, 1.5, DisplayName, cos(x)*e^{-0.1x}); % 红色虚线 % 添加图例并设置位置为最佳Best legend(show, Location, best); % 添加坐标轴标签和标题 xlabel(时间 t (s), FontSize, 11); ylabel(振幅, FontSize, 11); title(信号对比图, FontSize, 12, FontWeight, bold); % 添加网格并设置为浅灰色虚线更美观 grid on; grid minor; % 显示更细的网格线 set(gca, GridLineStyle, :, GridColor, [0.8, 0.8, 0.8]); % 设置网格样式和颜色 % 设置坐标轴范围让图形更紧凑 xlim([0, 4*pi]); % 或者使用 axis tight 自动使坐标轴适应数据范围 % 在特定位置添加文本标注 text(pi, 0.5, 峰值点, FontSize, 10, Color, blue);hold on命令是绘制多曲线对比图的关键。DisplayName属性与legend(‘show’)配合可以自动生成图例比手动指定图例文本更不容易出错。4.2 特殊图形直方图、散点图与子图直方图 (histogram)用于查看数据分布是检验数据是否正态分布的第一步。data randn(1000, 1) * 2 5; % 生成均值为5标准差为2的正态分布数据 figure; histogram(data, 30, Normalization, pdf, FaceColor, [0.2, 0.6, 0.8]); % 分30个箱子归一化为概率密度设置颜色 hold on; % 绘制理论上的正态分布曲线进行对比 x_fit linspace(min(data), max(data), 100); y_fit normpdf(x_fit, mean(data), std(data)); plot(x_fit, y_fit, r-, LineWidth, 2); legend(数据分布, 理论正态分布); xlabel(数值); ylabel(概率密度); title(数据分布检验);散点图 (scatter)用于观察两个变量之间的关系判断相关性。x rand(100,1)*10; y 2*x 1 randn(100,1)*2; % y与x有线性关系并添加噪声 figure; scatter(x, y, 40, filled, MarkerFaceAlpha, 0.6); % 点大小40填充透明度0.6 xlabel(自变量 X); ylabel(因变量 Y); title(变量间关系散点图); % 可以添加趋势线 p polyfit(x, y, 1); % 一阶多项式直线拟合 y_fit polyval(p, x); hold on; plot(x, y_fit, r-, LineWidth, 2); legend(观测数据, 线性拟合, Location, northwest);子图 (subplot)用于在一张画布上排列多个图形便于比较。前面示例中已经使用过subplot(2,1,1)。其参数(m, n, p)表示将画布分为m行n列并激活第p个位置进行绘图。4.3 图形导出满足论文印刷要求模型结果图最终要插入论文必须保证清晰度和格式。不要直接用截图。% 假设当前活动图形窗口是我们画好的图 % 方法1saveas简单快速 saveas(gcf, my_plot.png); % 保存为PNG saveas(gcf, my_plot.fig); % 保存为MATLAB的.fig格式可后期再编辑 saveas(gcf, my_plot.eps, epsc); % 保存为矢量图EPS适合LaTeX论文epsc支持彩色 % 方法2print控制更精细推荐 set(gcf, PaperPositionMode, auto); % 使保存的图片尺寸与屏幕上显示的一致 print(-dpng, -r300, high_res_plot.png); % 保存为300dpi的PNG print(-depsc, -tiff, -r600, vector_plot.eps); % 保存为600dpi的彩色EPS兼容性更好-r300指定分辨率每英寸点数对于出版物300是基本要求600更佳。EPS是矢量格式无限放大不模糊是学术出版的首选。5. 脚本、函数与程序结构从“一次性代码”到“可重用工具”当你解决一个复杂的建模问题时把所有代码都写在一个几百行的脚本里是灾难性的。这会让调试、修改和协作变得极其困难。正确的做法是模块化。5.1 脚本Script与函数Function的根本区别脚本像一本命令行日记。它共享基础工作区的变量。你在脚本里创建的变量运行后在工作区可以看到。适合用于按顺序执行的分析流程如我们最开始的那个示例。函数像一个带有输入输出接口的黑盒子。它有自己独立的局部工作区不与基础工作区共享变量除非使用全局变量但应尽量避免。函数使代码复用、测试和逻辑分离成为可能。一个标准的函数文件myFunction.m开头如下function [output1, output2] myFunction(input1, input2, optionalParam) % MYFUNCTION 这里是函数功能的简要描述 % 这里是详细的描述说明函数做了什么输入输出参数的意义。 % 示例 % [out1, out2] myFunction(in1, in2) % [out1, out2] myFunction(in1, in2, specialMode) % % 输入参数: % input1 - 对input1的描述例如一个Nx1的数值向量 % input2 - 对input2的描述例如一个标量阈值 % optionalParam - (可选) 一个字符串指定模式默认为normal % % 输出参数: % output1 - 对output1的描述 % output2 - 对output2的描述 % % 作者: [你的名字] % 日期: 2025-XX-XX % 设置默认参数处理可选输入 if nargin 3 % nargin是函数输入参数的数量 optionalParam normal; end % 函数主体进行计算... % 使用 input1, input2, optionalParam % 给输出参数赋值 output1 ...; output2 ...; end养成写详细帮助注释的习惯。在命令行输入help myFunction就能看到这些描述这对于团队协作和几个月后回顾自己的代码至关重要。5.2 一个建模中的函数实例数据标准化数据预处理是建模的第一步标准化或归一化是常用操作。我们将其写成一个函数。function [data_norm, mu, sigma] zscoreNormalize(data, dim) % ZSCORENORMALIZE 对数据进行Z-score标准化 (减去均值除以标准差) % [NORM_DATA, MU, SIGMA] ZSCORENORMALIZE(DATA) 按列对矩阵DATA进行标准化。 % [NORM_DATA, MU, SIGMA] ZSCORENORMALIZE(DATA, DIM) 指定沿维度DIM进行标准化。 % DIM1 按列默认DIM2 按行。 % % 标准化公式: data_norm (data - mu) ./ sigma % 其中 mu 是均值sigma 是标准差为避免除零sigma为0时置为1。 % % 输出: % data_norm - 标准化后的数据 % mu - 计算使用的均值 % sigma - 计算使用的标准差修正后 % % 示例: % X [1 2 3; 4 5 6]; % [X_norm, mu, sigma] zscoreNormalize(X); % 按列标准化 % [X_norm_row] zscoreNormalize(X, 2); % 按行标准化 if nargin 2 dim 1; % 默认按列标准化 end % 计算均值和标准差 mu mean(data, dim, omitnan); % 忽略NaN值计算 sigma std(data, 0, dim, omitnan); % 第二个参数0表示使用N-1分母的无偏估计 % 防止标准差为0导致除零错误 sigma(sigma 0) 1; % 进行标准化 % 这里使用bsxfun的思想但新版本MATLAB支持隐式扩展直接相减即可 if dim 1 % 按列 data_norm(i,j) (data(i,j) - mu(j)) / sigma(j) data_norm (data - mu) ./ sigma; elseif dim 2 % 按行 data_norm(i,j) (data(i,j) - mu(i)) / sigma(i) data_norm (data - mu) ./ sigma; % 注意转置使维度匹配 else error(维度参数DIM必须是1或2。); end end在另一个主脚本中你可以这样调用它load(raw_data.mat); % 假设加载了变量X [X_normalized, mean_vals, std_vals] zscoreNormalize(X); % 现在X_normalized的每一列均值为0标准差为1 % 你还可以保存mean_vals和std_vals用于对后续新数据或测试数据进行相同的变换5.3 主脚本的组织清晰、可复现一个好的主脚本应该像一本书的目录清晰展示建模的步骤。%% 数学建模项目XXXX问题求解 % 主脚本 main.m clear; close all; clc; addpath(genpath(Code)); % 将Code文件夹及其子文件夹添加到路径 %% 步骤1: 数据准备与预处理 fprintf(步骤1: 数据准备...\n); raw_data readmatrix(Data/raw_dataset.csv); [clean_data, mu, sigma] zscoreNormalize(raw_data(:, 2:end)); % 假设第一列是ID labels raw_data(:, 1); % 假设第一列是标签 %% 步骤2: 探索性数据分析 (EDA) fprintf(步骤2: 探索性数据分析...\n); figure(1); % ... 绘制相关图表 ... %% 步骤3: 模型训练/计算 fprintf(步骤3: 模型计算...\n); % 调用自定义函数或内置函数进行计算 [model_params, train_loss] trainMyModel(clean_data, labels); %% 步骤4: 结果验证与可视化 fprintf(步骤4: 结果验证...\n); % 绘制结果图计算评价指标 results evaluateModel(model_params, clean_data, labels); %% 步骤5: 保存关键结果 fprintf(步骤5: 保存结果...\n); save(Results/final_model.mat, model_params, mu, sigma); saveas(gcf, Results/final_plot.eps, epsc); writetable(struct2table(results), Results/metrics.csv); fprintf(所有流程执行完毕\n);这种结构让任何人包括未来的你都能一目了然地理解整个项目流程并且每一步都易于单独测试和调试。6. 进阶技巧与建模实战要点掌握了基础就可以向更实用的建模技巧进发。这里分享几个在竞赛和项目中高频出现但教程里不一定讲透的点。6.1 高效处理表格数据readtable与writetable对于带有列名、混合数据类型数字、字符串的表格数据readmatrix可能不够用。readtable是更强大的工具。% 读取一个CSV文件第一行是列名 dataTable readtable(Data/experiment_results.csv); % 查看前几行和列名 head(dataTable); disp(dataTable.Properties.VariableNames); % 通过列名访问数据代码可读性极高 time dataTable.Time; temperature dataTable.Temperature; category dataTable.Category; % 如果这一列是字符串 % 进行条件筛选类似数据库查询 high_temp_data dataTable(dataTable.Temperature 30, :); % 筛选温度大于30的所有行 specific_cat_data dataTable(strcmp(dataTable.Category, Treatment), :); % 筛选特定类别 % 将结果写回CSV writetable(high_temp_data, Results/high_temp_subset.csv);使用表格数据结构能让数据操作意图更清晰减少索引错误。6.2 统计检验ttest与ttest2的区别在建模中经常需要比较两组数据是否有显著差异。这就是热词中提到的ttest和ttest2的应用场景。ttest(单样本t检验)检验一组数据的均值是否与某个假设值通常为0有显著差异。sample_data randn(50,1) 0.5; % 生成一组均值为0.5的数据 [h, p, ci, stats] ttest(sample_data, 0); % 检验均值是否为0 % h1 表示拒绝原假设均值不为0p是p值ci是置信区间 fprintf(p值为: %.4f。若p0.05则认为样本均值与0有显著差异。\n, p);ttest2(双样本t检验)检验两组独立数据的均值是否有显著差异。group_A randn(30,1) 75; % A组均值约75 group_B randn(35,1) 78; % B组均值约78 [h, p, ci, stats] ttest2(group_A, group_B, Vartype, unequal); % Vartype, unequal 表示假设两组方差不等更保守的假设 fprintf(两组均值差异的p值为: %.4f。\n, p);选择哪个检验取决于你的科学问题是“这组数据平均来说是不是零”用ttest还是“A组和B组的平均水平一样吗”用ttest2。6.3 处理缺失值与异常值真实数据很少是完美的。建模前必须处理缺失值NaN和异常值。识别与删除data [1, 2, NaN, 4, 100, 6]; % 假设100是异常值 % 删除包含NaN的行对于矩阵 data_clean rmmissing(data, 1); % 1表示按行删除 % 或者用逻辑索引 valid_idx ~isnan(data); data_clean data(valid_idx);稳健的填充对于时间序列可以用前后值插值。x [1, 2, NaN, 4, 5]; x_filled fillmissing(x, linear); % 线性插值填充NaN异常值检测与处理基于标准差data randn(100,1); data(10) 10; % 插入一个异常值 mean_val mean(data, omitnan); std_val std(data, omitnan); threshold 3; % 3倍标准差 outlier_idx abs(data - mean_val) threshold * std_val; data_clean data; data_clean(outlier_idx) NaN; % 将异常值标记为NaN或用中位数填充 % data_clean(outlier_idx) median(data, omitnan);6.4 性能优化向量化与预分配当数据量变大或循环嵌套很深时性能成为瓶颈。牢记两个黄金法则向量化用矩阵运算代替循环。% 慢循环 n 1e6; a zeros(n,1); for i 1:n a(i) sin(i/100); end % 快向量化 i 1:n; a sin(i/100);预分配在循环前为数组分配足够大的内存。% 慢数组大小动态增长 result []; for k 1:10000 result [result; someCalculation(k)]; % 每次循环都重新分配内存极慢 end % 快预分配 result zeros(10000, 1); for k 1:10000 result(k) someCalculation(k); end使用tic和toc可以测量代码段的运行时间帮助你找到需要优化的“热点”。7. 从入门到应用构建一个完整的迷你建模流程让我们把所有知识点串联起来模拟一个简单的建模场景分析某地气温与冰淇淋销量的关系。%% 迷你数学建模项目气温与冰淇淋销量关系分析 clear; close all; clc; %% 1. 模拟数据生成 (现实中是从文件读取) % 假设我们有两个月的每日数据 days 1:60; % 气温模拟一个趋势周期性波动随机噪声 temperature_trend linspace(15, 30, 60); % 从15度升到30度 temperature_seasonal 5 * sin(2*pi*days/30); % 30天为周期的波动 temperature_noise randn(1,60) * 2; % 随机噪声 temperature temperature_trend temperature_seasonal temperature_noise; % 冰淇淋销量模拟与气温正相关但有饱和效应和随机因素 icecream_base 50 3 * temperature; % 基础线性关系 icecream_saturation -0.05 * (temperature - 25).^2; % 超过25度增长放缓抛物线 icecream_noise randn(1,60) * 10; icecream_sales icecream_base icecream_saturation icecream_noise; icecream_sales max(icecream_sales, 0); % 销量不能为负 % 将数据组合成表格方便管理 dataTable table(days, temperature, icecream_sales, ... VariableNames, {Day, Temperature, Sales}); writetable(dataTable, 模拟数据.csv); % 模拟保存数据文件 %% 2. 数据探索与可视化 figure(Position, [100 100 1200 400]); subplot(1,3,1); scatter(dataTable.Temperature, dataTable.Sales, 30, filled); xlabel(气温 (°C)); ylabel(冰淇淋销量); title(散点图); grid on; subplot(1,3,2); plot(dataTable.Day, dataTable.Temperature, b-, LineWidth, 1.5); hold on; plot(dataTable.Day, dataTable.Sales/10, r-, LineWidth, 1.5); % 销量缩放以便同图比较 xlabel(天数); ylabel(气温(蓝)/销量/10(红)); title(时间序列); legend(气温, 销量/10); grid on; subplot(1,3,3); histogram(dataTable.Sales, 15, FaceColor, [0.8 0.2 0.2]); xlabel(销量); ylabel(频数); title(销量分布); grid on; %% 3. 相关性分析 corr_matrix corrcoef(dataTable.Temperature, dataTable.Sales); fprintf(气温与冰淇淋销量的相关系数 r %.3f\n, corr_matrix(1,2)); % 进行线性回归拟合 X [ones(size(temperature)), temperature]; % 设计矩阵第一列为1截距项 Y icecream_sales; beta X \ Y; % 最小二乘解等同于 polyfit fprintf(线性回归模型: 销量 %.2f %.2f * 温度\n, beta(1), beta(2)); % 计算R方 Y_pred X * beta; SS_res sum((Y - Y_pred).^2); SS_tot sum((Y - mean(Y)).^2); R2 1 - SS_res / SS_tot; fprintf(模型R方 %.3f\n, R2); %% 4. 模型结果可视化 figure; scatter(dataTable.Temperature, dataTable.Sales, 40, b, filled, DisplayName, 观测数据); hold on; x_fit linspace(min(temperature), max(temperature), 100); y_fit beta(1) beta(2) * x_fit; plot(x_fit, y_fit, r-, LineWidth, 2, DisplayName, sprintf(线性拟合 (R^2%.3f), R2)); xlabel(气温 (°C)); ylabel(冰淇淋销量); title(气温-销量关系与线性拟合); legend(show, Location, northwest); grid on; %% 5. 简单预测 pred_temp 28; pred_sales beta(1) beta(2) * pred_temp; fprintf(当气温为%d°C时预测冰淇淋销量为: %.1f\n, pred_temp, pred_sales); %% 6. 保存关键结果与图表 results.correlation corr_matrix(1,2); results.regression_coeff beta; results.R_squared R2; results.prediction pred_sales; save(迷你模型结果.mat, results); saveas(gcf, 气温销量拟合图.png);这个流程麻雀虽小五脏俱全数据生成/加载 - 探索性分析 - 建模计算 - 结果可视化 - 预测 - 保存。通过这个例子你可以清晰地看到每个MATLAB知识点是如何嵌入到一个完整的、有逻辑的建模任务中的。走到这里你已经掌握了用MATLAB支撑数学建模最核心的那部分技能。剩下的就是在具体的建模问题中去深入学习和应用更专业的算法工具箱如优化工具箱、统计工具箱、机器学习工具箱等。记住工具是为你服务的清晰的建模思路和严谨的数据分析逻辑才是根本。多读优秀论文的代码多动手实现从模仿开始逐渐形成自己的代码风格和解决问题的模式。当你不再害怕报错而是能熟练地利用错误信息去调试和搜索时你就真正入门了。