如何在MATLAB中快速/方便地合并和平均矩阵中的数据？

我有一个特定发动机转速和油门位置下的航空燃油比值矩阵。在2500rpm和60%油门下，AFR为14 矩阵现在为25x10，发动机转速范围为1200-6000rpm，间隔为200rpm，油门范围为0.1-1，间隔为0.1

假设我测量了新值，例如2138转/分时AFR为13.5，节气门开度为74.3%，我如何将其合并到矩阵中？矩阵最接近的值为2000或2200rpm和70或80%节气门。此外，我不希望新数据取代旧数据。如何使矩阵考虑该值并调整其值以考虑新值

简化i具有以下x轴值停止行和1x4矩阵： 2 4 6 8 14 16 18 20 我刚刚测量了3转时的AFR值为15.5。如果你插值AFR矩阵，你会得到15，所以这个值是不寻常的。 我希望矩阵得到这些数据并调整其他变量，即平均所有数据，这样我输入的数据越多，矩阵就越可靠和准确。因此，在简化的情况下，矩阵会变成： 2 4 6 8 14.3 16.3 18.2 20.1 所以它在新旧数据之间取平均值。我已经阅读了关于连接的文档，但是我相信我的问题不能用这个函数来解决

编辑：为了澄清我的问题，下面是视觉澄清。 添加新数据点时，“矩阵”保持5个点的相同大小。它考虑了新数据，并相应地调整了矩阵。这就是我想要达到的目标。我得到的数据越分散，矩阵就越精确。是的，在这种情况下绿点是一个异常值，但它解释了我的情况

---

干杯

这不是简单的合并/平均问题。我不认为有一个快速的方法可以做到这一点，除非你有简化的假设。你想要的是对潜在趋势的统计推断。我建议使用高斯过程回归来解决这个问题。Rasmussen和Williams有一个很棒的MATLAB工具箱，叫做GPML

这不是简单的合并/平均问题。我不认为有一个快速的方法可以做到这一点，除非你有简化的假设。你想要的是对潜在趋势的统计推断。我建议使用高斯过程回归来解决这个问题。Rasmussen和Williams有一个很棒的MATLAB工具箱，叫做GPML

这听起来更像是一项数据拟合任务。您的建议是，您有一组测量值，希望获得最佳线性拟合。您需要的不是生成一个数据表，而是一个值表，然后找到最适合这些值的值。例如，我可以创建一个矩阵a，它包含所有记录的值。让我们从以下几点开始：

A=[2,14;3,15.5;4,16;6,18;8,20];

我现在需要一个点矩阵作为拟合曲线的输入，在这个例子中，让我们假设它是线性的，值1和x的集合也是线性的

B=[ones(size(A,1),1), A(:,1)];

我们可以使用以下方法找到切割y轴和渐变的线性拟合参数：

B\A(:,2)

或者，如果希望线穿过的点的值为x：

B*(B\A(:,2))

这导致以下几点：

2,14.1897   3,15.1552   4,16.1207   6,18.0517   8,19.9828

表示通过这些点的最佳拟合线

如果需要，可以手动将其扩展到多项式拟合，也可以使用Matlab函数polyfit。要手动扩展流程，应使用修订后的B矩阵。也可以在最后一行中仅生成一组指定的点。完整的代码将是：

% Original measurements - could be read in from a file,
% but for this example we will set it to a matrix
% Note that not all tabulated values need to be present
A=[2,14; 3,15.5; 4,16; 5,17; 8,20];

% Now create the polynomial values of x corresponding to
% the data points.  Choosing a second order polynomial...
B=[ones(size(A,1),1), A(:,1), A(:,1).^2];

% Find the polynomial coefficients for the best fit curve
coeffs=B\A(:,2);

% Now generate a table of values at specific points
% First define the x-values
tabinds = 2:2:8;
% Then generate the polynomial values of x
tabpolys=[ones(length(tabinds),1), tabinds', (tabinds').^2];
% Finally, multiply by the coefficients found
curve_table = [tabinds', tabpolys*coeffs];
% and display the results
disp(curve_table);

---

这听起来更像是一项数据拟合任务。您的建议是，您有一组测量值，希望获得最佳线性拟合。您需要的不是生成一个数据表，而是一个值表，然后找到最适合这些值的值。例如，我可以创建一个矩阵a，它包含所有记录的值。让我们从以下几点开始：

A=[2,14;3,15.5;4,16;6,18;8,20];

我现在需要一个点矩阵作为拟合曲线的输入，在这个例子中，让我们假设它是线性的，值1和x的集合也是线性的

B=[ones(size(A,1),1), A(:,1)];

我们可以使用以下方法找到切割y轴和渐变的线性拟合参数：

B\A(:,2)

或者，如果希望线穿过的点的值为x：

B*(B\A(:,2))

这导致以下几点：

2,14.1897   3,15.1552   4,16.1207   6,18.0517   8,19.9828

表示通过这些点的最佳拟合线

如果需要，可以手动将其扩展到多项式拟合，也可以使用Matlab函数polyfit。要手动扩展流程，应使用修订后的B矩阵。也可以在最后一行中仅生成一组指定的点。完整的代码将是：

% Original measurements - could be read in from a file,
% but for this example we will set it to a matrix
% Note that not all tabulated values need to be present
A=[2,14; 3,15.5; 4,16; 5,17; 8,20];

% Now create the polynomial values of x corresponding to
% the data points.  Choosing a second order polynomial...
B=[ones(size(A,1),1), A(:,1), A(:,1).^2];

% Find the polynomial coefficients for the best fit curve
coeffs=B\A(:,2);

% Now generate a table of values at specific points
% First define the x-values
tabinds = 2:2:8;
% Then generate the polynomial values of x
tabpolys=[ones(length(tabinds),1), tabinds', (tabinds').^2];
% Finally, multiply by the coefficients found
curve_table = [tabinds', tabpolys*coeffs];
% and display the results
disp(curve_table);

---

它似乎可以做我想做的事情，即将分散的数据平均化为一个矩阵。我希望我能使用它，它看起来相当复杂，我还是一名教育工程师。我会调查一下，如果你的回答对我有效的话，我会把它标记为答案。thxIt似乎可以做我想做的事，即a

---

将分散的数据平均化为一个矩阵。我希望我能使用它，它看起来相当复杂，我还是一名教育工程师。我会调查一下，并将你的回复标记为答案，如果它对我有效，这会创建现有矩阵的过滤版本，对吗？或者它适合一条曲线。但这不是我的目标。我需要向矩阵中添加更多数据，因此它会与新数据进行平均，而矩阵的大小保持不变。如果向矩阵中添加数据，我不确定它将如何保持相同的大小！如果您只希望将2,4,6,8等的值制成表格，但允许通过基础数据调整这些值，那么您基本上是在拟合扩展的矩阵，但在最后一行中，您应该做的不是将系数乘以B，而是创建一个新的矩阵，tabvals=[ones1,4，2:2:8']；然后使用tabvals*B\A:，2仅获取您指定的常规网格上的制表值。这就是你想要的吗？我应该补充一点，如果你存储的都是最终的列表值，那么你会遇到一些问题。当出现新值时，如何知道以何种方式调整表。在您的示例中，为什么不向所有值添加0.5？如果有一个异常值，但其余数据都是好的，会发生什么。如果不存储数据，或者至少不存储关于该数据的统计信息，那么实际上就没有其他调整表的依据。这就是为什么我建议存储测量数据，然后对数据进行最佳线性拟合。感谢您的帮助和努力。我不太知道如何解释它，所以我将在我的原始问题中发布一个直观的澄清。我收集了越来越多的散乱数据，但我想保持我近似数据趋势的de-matrix的大小不变。矩阵本身不应该变大。我帖子中的图片显示了一个由5个数据点组成的“矩阵”，它基于10个测量的、分散的数据点。现在我测量了一个新的，绿色的，我想让矩阵适应它。就像红线一样。@Bart，如果是这样的话，那么我上面的评论应该是有用的。应将所有测量值存储在A中，使用B\A:，2重新计算最佳线性拟合，然后显示指定数据点的结果，其x坐标以tabvals为单位。你的曲线表明线性拟合是不够的，所以我将修改我的原始帖子，加入二次拟合。这将创建现有矩阵的过滤版本，对吗？或者它适合一条曲线。但这不是我的目标。我需要向矩阵中添加更多数据，因此它会与新数据进行平均，而矩阵的大小保持不变。如果向矩阵中添加数据，我不确定它将如何保持相同的大小！如果您只希望将2,4,6,8等的值制成表格，但允许通过基础数据调整这些值，那么您基本上是在拟合扩展的矩阵，但在最后一行中，您应该做的不是将系数乘以B，而是创建一个新的矩阵，tabvals=[ones1,4，2:2:8']；然后使用tabvals*B\A:，2仅获取您指定的常规网格上的制表值。这就是你想要的吗？我应该补充一点，如果你存储的都是最终的列表值，那么你会遇到一些问题。当出现新值时，如何知道以何种方式调整表。在您的示例中，为什么不向所有值添加0.5？如果有一个异常值，但其余数据都是好的，会发生什么。如果不存储数据，或者至少不存储关于该数据的统计信息，那么实际上就没有其他调整表的依据。这就是为什么我建议存储测量数据，然后对数据进行最佳线性拟合。感谢您的帮助和努力。我不太知道如何解释它，所以我将在我的原始问题中发布一个直观的澄清。我收集了越来越多的散乱数据，但我想保持我近似数据趋势的de-matrix的大小不变。矩阵本身不应该变大。我帖子中的图片显示了一个由5个数据点组成的“矩阵”，它基于10个测量的、分散的数据点。现在我测量了一个新的，绿色的，我想让矩阵适应它。就像红线一样。@Bart，如果是这样的话，那么我上面的评论应该是有用的。应将所有测量值存储在A中，使用B\A:，2重新计算最佳线性拟合，然后显示指定数据点的结果，其x坐标以tabvals为单位。你的曲线表明线性拟合是不够的，所以我将修改我原来的帖子，加入二次拟合。