跳转至

MATLAB — AI辅助使用指南

本章导读:按「简介与场景 → 安装配置 → AI 辅助技巧 → 示例与排错 → 进阶资源」组织,可按需跳读。

版本与功能时效

本章按 MATLAB/Simulink R2026a 公开资料和常见科研脚本工作流整理。不同学校授权的工具箱差异很大,使用 AI 生成代码前请确认 MATLAB 版本、已安装工具箱和目标运行环境。

1. 简介与适用场景

MATLAB 是矩阵实验室(Matrix Laboratory)的缩写,是科研领域最广泛使用的数值计算和编程环境。在课题组中,MATLAB 主要用于:

  • 数据处理:光谱数据、图像数据、信号数据的分析与处理
  • 数值计算:矩阵运算、微分方程求解、最优化
  • 信号处理:FFT、滤波、频谱分析
  • 绘图与可视化:publication 级别的科学绘图
  • 仿真:配合 Simulink 进行系统仿真
  • 自动化:批量处理实验数据、自动化测试流程

什么时候优先用 MATLAB

场景 建议 原因
批量处理实验数据和生成论文图 推荐 脚本可复现,矩阵和绘图能力强
FFT、滤波、拟合、优化、统计 推荐 工具箱成熟,适合科研计算
需要和既有 .m 代码或 Simulink 项目协作 推荐 兼容组内历史脚本
临时整理复杂表格 谨慎 Excel / Python pandas 往往更顺手
超大数据、深度学习工程化部署 谨慎 Python 生态和服务器环境可能更合适

AI 能做 / 不能做

AI 适合做 必须人工确认
生成 .m 脚本、函数和绘图模板 算法选择和统计假设是否正确
解释报错、向量化代码、补注释 输入数据单位、采样率、边界条件
用 Agent 整理多文件项目 拟合结果、置信区间和残差是否合理
生成最小测试数据和验证脚本 工具箱依赖和版本兼容

最小闭环案例

  1. 读取 docs/assets/test_data/signal_data.csv。
  2. 用 AI 生成 FFT 分析脚本,输出频谱图和峰值频率。
  3. 保存 scripts/fft_analysis.m、figures/fft_spectrum.png 和关键结果表。
  4. 检查采样率、窗函数、频率轴和峰值标注是否正确。

2026 年可关注的变化

  • MATLAB Copilot(2026-09-11 核对):这是 MathWorks 自身产品,与 GitHub Copilot 不同。官方要求 包括 R2025a 或更新版本、MathWorks 账号登录和网络连接,当前注明中国地区不可用。学校 MATLAB 授权与实际 Copilot 权益需分别确认;无法使用时可用获准的对话工具生成 .m 文件,再在 MATLAB 内验证。

  • R2026a:MathWorks 已发布 R2026a,包含性能、图形/App 构建和 Simulink 工作流更新。

  • Simulink Copilot:R2026a 引入面向工程系统开发的生成式 AI 能力;如果课题涉及控制、嵌入式或系统级仿真,可关注学校授权是否包含相关功能。
  • Python 互操作:MATLAB 与 Python 联合工作越来越常见,适合把仪器数据处理、机器学习或批量文件处理拆到 Python,再用 MATLAB 做既有分析流程。
  • 可复现实验记录:论文脚本建议记录 version、工具箱版本、随机种子和输入数据哈希。

2. 安装与配置

获取方式

如学校已购买 MATLAB 校园授权(Campus-Wide License),按学校软件平台指引获取;仅连接校园网络不代表已经取得许可证:

  1. 访问 mathworks.com
  2. 用学校邮箱注册 MathWorks 账号
  3. 在学校网络环境下(或连接校园VPN)激活许可证
  4. 下载并安装 MATLAB

安装要点

  • 选择性安装工具箱:默认安装所有工具箱会占用大量空间。建议先安装基础包,后续按需添加:
  • 信号处理:Signal Processing Toolbox
  • 图像处理:Image Processing Toolbox
  • 统计分析:Statistics and Machine Learning Toolbox
  • 曲线拟合:Curve Fitting Toolbox
  • 优化:Optimization Toolbox
  • 路径设置:将常用脚本文件夹添加到 MATLAB 路径:Set Path → Add with Subfolders
  • 编辑器配置:开启自动补全、代码折叠、实时编辑器

推荐的初始配置

% 在 startup.m 中添加(位于 ~/Documents/MATLAB/startup.m)
% 设置默认绘图字体和线宽
set(0, 'DefaultAxesFontSize', 12);
set(0, 'DefaultAxesFontName', 'Helvetica');
set(0, 'DefaultLineLineWidth', 1.5);
set(0, 'DefaultFigureColor', 'w');
set(0, 'DefaultAxesColor', 'k');

3. AI辅助使用核心技巧

对话式AI(Claude/ChatGPT/DeepSeek)

生成代码

最直接的用法——描述你的需求,让 AI 生成 MATLAB 代码:

  • 明确输入输出:告诉 AI 数据的维度、格式、想要的结果
  • 指定工具箱:如果需要特定工具箱函数,明确说明
  • 要求注释:让 AI 在代码中添加注释,方便理解和修改

解读报错

将 MATLAB 的错误信息完整复制给 AI:

  • 包含完整的错误堆栈(stack trace)
  • 说明你想要实现什么
  • AI 通常能快速定位问题并给出修复方案

优化代码

已有可运行但效率低下的代码,让 AI 帮你优化:

  • 向量化替代循环
  • 预分配内存
  • 使用更高效的内置函数

编程辅助AI(Claude Code/Codex/Cursor/Copilot)

  • Claude Code / Codex CLI:适合维护包含多个 .m、测试数据和导出图脚本的项目。让 Agent 改代码前,限定目录并要求运行最小测试。
  • Cursor:适合在项目内搜索函数依赖、重构批处理脚本、解释较长的 MATLAB 文件。
  • Copilot:在 VS Code 中编辑 .m 文件时可提供补全。
  • 注意:多数 AI 工具对 MATLAB 的理解不如 Python 稳定,关键数值结果必须自己验证。

AI 生成代码的验收清单

  1. 先跑小样本:用 5–10 行数据或已知答案验证输入输出。
  2. 检查工具箱依赖:让 AI 列出用到的工具箱和替代实现。
  3. 固定随机性:涉及拟合、优化、机器学习时设置 rng(seed)。
  4. 记录环境:在脚本开头输出 version、ver、输入文件名和关键参数。
  5. 图表可复现:论文图不要只保存 .fig,同时保存生成脚本、原始数据和导出命令。

4. 常见任务与提示词示例

场景1:信号处理 — FFT频谱分析

提示词:

我有一组时域信号数据存储在 CSV 文件中,第一列是时间(秒),第二列是幅值。采样率是 10kHz。请帮我写一个 MATLAB 脚本,完成以下任务: 1. 读取 CSV 数据 2. 去除直流分量 3. 做FFT变换,计算幅度谱 4. 画出频谱图,x轴为频率(Hz),y轴为幅值,只显示0-2000Hz范围 5. 标注峰值频率 要求:使用汉宁窗,输出300dpi的PNG图片

预期输出:完整的 .m 脚本,包含数据读取、预处理、FFT、绘图

% FFT频谱分析脚本
data = readmatrix('signal_data.csv');
t = data(:, 1);
signal = data(:, 2);

% 参数
fs = 10000;  % 采样率 10kHz
N = length(signal);

% 去除直流分量
signal = signal - mean(signal);

% 汉宁窗
window = hanning(N);
signal_windowed = signal .* window;

% FFT
Y = fft(signal_windowed);
P2 = abs(Y / N);          % 双边谱
P1 = P2(1:N/2+1);         % 单边谱
P1(2:end-1) = 2*P1(2:end-1);
f = fs*(0:(N/2))/N;

% 绘图
figure('Position', [100 100 800 500]);
plot(f, P1, 'LineWidth', 1.5);
xlim([0 2000]);
xlabel('Frequency (Hz)');
ylabel('Amplitude');
title('FFT Spectrum');

% 标注峰值
[~, idx] = max(P1);
text(f(idx), P1(idx), sprintf('  Peak: %.1f Hz', f(idx)), ...
    'FontSize', 11, 'Color', 'r');

print('fft_spectrum', '-dpng', '-r300');

场景2:Publication级别绘图

提示词:

请帮我写一个 MATLAB 绘图脚本,要求符合论文发表标准: - 有3组数据需要画在同一个图中(3条线),数据分别存在 data1.csv, data2.csv, data3.csv - 每个CSV第一列是x(波长nm),第二列是y(透过率%) - 使用不同颜色和线型区分(实线、虚线、点划线) - 图例放在图内右上角 - 字体统一 Helvetica 12pt - 坐标轴加粗,线宽1.5pt - 输出为 EPS 格式,适合 LaTeX 论文使用 - 图片尺寸 8cm x 6cm(双栏论文的半栏宽度)

预期输出:完整绘图脚本

% Publication-quality plotting
figure('Units', 'centimeters', 'Position', [2 2 8 6]);

% 读取数据
d1 = readmatrix('data1.csv');
d2 = readmatrix('data2.csv');
d3 = readmatrix('data3.csv');

% 绘图
h1 = plot(d1(:,1), d1(:,2), 'k-', 'LineWidth', 1.5); hold on;
h2 = plot(d2(:,1), d2(:,2), 'r--', 'LineWidth', 1.5);
h3 = plot(d3(:,1), d3(:,2), 'b-.', 'LineWidth', 1.5);

% 格式设置
set(gca, 'FontSize', 12, 'FontName', 'Helvetica', ...
    'LineWidth', 1.2, 'Box', 'on');
xlabel('Wavelength (nm)');
ylabel('Transmittance (%)');

% 图例
legend([h1 h2 h3], {'Sample A', 'Sample B', 'Sample C'}, ...
    'Location', 'northeast', 'FontSize', 10);

% 输出
print('transmittance', '-depsc', '-r300');

场景3:自定义模型曲线拟合

提示词:

我需要用 MATLAB 对实验数据进行非线性曲线拟合。我的物理模型是一个洛伦兹峰: y = A * (gamma/2)^2 / ((x - x0)^2 + (gamma/2)^2) + B 其中 A 是振幅,x0 是中心频率,gamma 是半高全宽(FWHM),B 是基线偏移。

实验数据在 fit_data.csv 中,第一列是 x,第二列是 y。 请帮我: 1. 写拟合代码,用 lsqcurvefit 或 fit 函数 2. 设置合理的初始猜测值(x0大约在1550附近) 3. 画出原始数据和拟合曲线的对比图 4. 输出拟合参数和95%置信区间 5. 计算R-squared

预期输出:完整拟合脚本

% Lorentzian curve fitting
data = readmatrix('fit_data.csv');
xdata = data(:, 1);
ydata = data(:, 2);

% Lorentzian 模型
lorentz = @(p, x) p(1) * (p(3)/2)^2 ./ ((x - p(2)).^2 + (p(3)/2)^2) + p(4);

% 初始猜测 [A, x0, gamma, B]
p0 = [1, 1550, 10, 0];

% 拟合
[p_fit, resnorm, residual, exitflag, output, lambda, jacobian] = ...
    lsqcurvefit(lorentz, p0, xdata, ydata);

% 置信区间
ci = nlparci(p_fit, residual, jacobian);

% R-squared
SS_res = sum(residual.^2);
SS_tot = sum((ydata - mean(ydata)).^2);
R2 = 1 - SS_res / SS_tot;

% 输出结果
fprintf('A     = %.4f  [%.4f, %.4f]\n', p_fit(1), ci(1,1), ci(1,2));
fprintf('x0    = %.4f  [%.4f, %.4f]\n', p_fit(2), ci(2,1), ci(2,2));
fprintf('gamma = %.4f  [%.4f, %.4f]\n', p_fit(3), ci(3,1), ci(3,2));
fprintf('B     = %.4f  [%.4f, %.4f]\n', p_fit(4), ci(4,1), ci(4,2));
fprintf('R^2   = %.6f\n', R2);

% 绘图
figure;
plot(xdata, ydata, 'ko', 'MarkerSize', 4, 'MarkerFaceColor', 'k'); hold on;
xfine = linspace(min(xdata), max(xdata), 500);
plot(xfine, lorentz(p_fit, xfine), 'r-', 'LineWidth', 1.5);
xlabel('Frequency (THz)'); ylabel('Intensity (a.u.)');
legend('Data', 'Lorentzian Fit', 'Location', 'northwest');

场景4:批量数据处理

提示词:

我有一个文件夹 data/,里面有100个 CSV 文件,命名格式为 sample_001.csv 到 sample_100.csv。每个文件结构相同:第一列波长(nm),第二列透过率(%)。

请帮我写一个脚本: 1. 自动遍历所有CSV文件 2. 对每个文件计算:中心波长、峰值透过率、半高全宽(FWHM) 3. 将所有结果汇总到一个表格并保存为 results.csv 4. 画出100条曲线的叠加图

预期输出:批量处理脚本

% Batch data processing
fileList = dir('data/sample_*.csv');
nFiles = length(fileList);
results = zeros(nFiles, 4);  % [filename, center, peak, FWHM]

figure; hold on;
colors = parula(nFiles);

for i = 1:nFiles
    % 读取数据
    data = readmatrix(fullfile('data', fileList(i).name));
    wavelength = data(:, 1);
    transmittance = data(:, 2);

    % 绘制叠加图
    plot(wavelength, transmittance, 'Color', colors(i,:));

    % 计算指标
    [peak_val, peak_idx] = max(transmittance);
    center_wl = wavelength(peak_idx);

    % FWHM 计算
    half_max = peak_val / 2;
    above_half = transmittance >= half_max;
    fwhm = wavelength(find(above_half, 1, 'last')) - ...
           wavelength(find(above_half, 1, 'first'));

    results(i, :) = [i, center_wl, peak_val, fwhm];
end

xlabel('Wavelength (nm)'); ylabel('Transmittance (%)');
title('All Samples Overlay');

% 保存结果
T = array2table(results, 'VariableNames', ...
    {'SampleID', 'CenterWavelength', 'PeakTransmittance', 'FWHM'});
writetable(T, 'results.csv');

场景5:调试报错

提示词:

我运行以下 MATLAB 代码时报错了,请帮我分析和修复:

A = rand(100, 3);
B = rand(50, 3);
C = A * B';

错误信息:

Error using  *
Incorrect dimensions for matrix multiplication.

我想计算 A 中每行和 B 中每行的欧氏距离,得到 100x50 的距离矩阵。

预期输出:AI 会解释维度不匹配的原因,并给出正确的实现方式

% 方法1:循环(直观但较慢)
C = zeros(100, 50);
for i = 1:100
    for j = 1:50
        C(i,j) = norm(A(i,:) - B(j,:));
    end
end

% 方法2:向量化(推荐,更快)
C = pdist2(A, B);  % 需要 Statistics Toolbox

% 方法3:纯向量化(无需工具箱)
C = sqrt(sum(A.^2, 2) + sum(B.^2, 2)' - 2 * A * B');

5. 常见问题与排错

AI能帮你快速解决的问题

问题 AI协助方式
函数用法不清楚 直接问 AI,比查文档快
矩阵维度不匹配 贴出错误信息和代码,AI 通常秒解
绘图格式调整 描述你想要的效果,AI 生成格式代码
工具箱函数选择 描述任务,AI 推荐最合适的函数
代码运行太慢 贴出代码,AI 帮你向量化优化

需要人工判断的注意事项

  • 数值精度:AI 生成的算法可能不够数值稳定,需自行验证
  • 物理合理性:拟合结果的物理意义必须人工判断
  • 工具箱依赖:AI 可能使用了你没有安装的工具箱函数,注意检查
  • 版本差异:AI 可能用较新版本的语法,旧版 MATLAB 可能不支持

常见报错速查

报错 常见原因 快速修复
Index exceeds matrix dimensions 索引越界 检查矩阵大小,用 size() 确认
Incorrect dimensions for matrix multiplication 维度不匹配 检查 size(A) 和 size(B)
Undefined function or variable 变量未定义或函数不存在 检查拼写、路径、工具箱
Not enough input arguments 函数调用参数不够 查看函数签名 help funcName

6. 进阶资源

本仓库示例脚本

以下文件位于 docs/assets/examples/,构建站点后也可通过站点内链接直接下载;克隆本仓库时路径相同。

官方文档

推荐学习路径

  1. 入门:MATLAB Onramp(官方免费,2小时)
  2. 进阶:掌握向量化编程、cell/struct 数据类型、函数句柄
  3. 高级:面向对象编程、MEX文件(C/C++混合编程)、App Designer

实用技巧

  • 用 doc funcName 替代 help funcName,打开更详细的帮助文档
  • 用 Ctrl+I 自动缩进代码
  • 用 tic; ... toc; 计时
  • 用 profile on; ... profile viewer; 性能分析