命令：save('name.mat','data');其中name是要存储的名字，data是要存储的矩阵，前者是输出，后者输入。
例子：save('sample_1.mat','sample_1');
 
 

为了清理桌面上的 words, so do this!
 
在做一个项目的时候，接触到了这个函数，瞬间感觉好有用，遂记录之。（好像有点废话……）
 
mat2cell 函数就是将矩阵转化成胞元数组（cell array），用数学的语言讲就是矩阵分块。其意义和用法可以用 matlab 的帮助文档说清楚：
 
 
而 cellfun 函数就是对每一个块做相同的操作，例如求和、求均值等等，用这个函数就避免了写 for 循环了，也算是 matlab 向量化运算的一个例子。下面用一个例子说明之。
 
% 生成一个 10*5 的随机矩阵，矩阵取值在 0 到 50 内的整数
matrix = randi(50, 10, 5);
% 转换成胞元数组
mc = mat2cell(matrix, [3 5 2], [3 2]);
% 求每一块的所有元素之和
sum_of_everyone = cellfun(@(x) sum(x(:)), mc)
 
matrix 
 
 
mc 
 mc{1,1} =
 
18    10     9
 3    13    32
36     3    29
 
mc{2,1} =
 
50    31    38
 9    39     8
 6    26    18
46     2     8
25    50    43
 
mc{3,1} =
 
43    26    17
41    17    14
 
mc{1,2} =
 
 1    30
41    41
25    50
 
mc{2,2} =
 
27    45
44    11
37     2
34    23
 9     1
 
mc{3,2} =
 
28    24
48    48
 
每一块的和 
 sum_of_everyone =
 
 153   188
 399   233
 158   148
 
OK，该睡觉了！明天还要考最坑爹的模式识别~
 
 
END

 
dim1Dist分割后矩阵行数组成的向量，dimNDist指的是分割后矩阵列数组成的向量
 
例有100*200的矩阵A
 
>> A=rand(100,200);
>> b=mat2cell(A,[30 40 30],[100 70 30])

b =

  3×3 cell 数组

    {30×100 double}    {30×70 double}    {30×30 double}
    {40×100 double}    {40×70 double}    {40×30 double}
    {30×100 double}    {30×70 double}    {30×30 double}
 
>> a=rand(100,200);
>> b=mat2cell(a,[10,30,50,10])

b =

  4×1 cell 数组

    {10×200 double}
    {30×200 double}
    {50×200 double}
    {10×200 double}
 
cell2mat()可还原。
 
 

例13-3 open与load的比较。
 　　>> clear
 　　>> A = magic(3);
 　　>> B = rand(3);
 　　>> save
 　　Saving to: matlab.mat
 　　>> clear
 　　>> load('matlab.mat')
 　　>> A
 　　A =
 　　     8     1     6
 　　     3     5     7
 　　     4     9     2
 　　>> B
 　　B =
 　　    0.9501    0.4860    0.4565
 　　    0.2311    0.8913    0.0185
 　　    0.6068    0.7621    0.8214
 　　>> clear
 　　>> open('matlab.mat')
 　　ans = 
 　　    A: [3x3 double]
 　　    B: [3x3 double]
 　　>> struc1=ans;
 　　>> struc1.A
 　　ans =
 　　     8     1     6
 　　     3     5     7
 　　     4     9     2
 　　>> struc1.B
 　　ans =
 　　    0.9501    0.4860    0.4565
 　　    0.2311    0.8913    0.0185
 　　    0.6068    0.7621    0.8214