MATLAB数值分析从入门到实战：拟合、求根、积分与ODE求解指南

很多刚接触 MATLAB 数值分析的人，会有一种错觉：只要背下polyfit、fzero、ode45这些函数名，就算学会了。

等真正拿到一个实际问题，比如“用数值方法求一个没有解析解的积分”“拟合一组带噪声的实验数据”“求解一个刚性常微分方程组”时，往往会卡住。原因很简单：MATLAB 的数值分析，难点从来不在语法，而在于你是否理解“数值方法怎么想、怎么选、怎么判断结果对不对”。

这篇文章想帮你打通这条路径。我们会从数值分析的核心矛盾讲起，用最常用的 MATLAB 函数串起完整流程：向量化计算、数据拟合、非线性方程求根、数值积分、常微分方程求解、结果可视化。里面有可直接复制的代码，也有新手最容易踩的坑。读完你会得到一个判断：什么场景该用哪个函数，算完之后用什么手段验证结果可信，以及后续往哪个方向深挖。

1. 学 MATLAB 数值分析，真正难在哪？

先给一个核心判断：MATLAB 数值分析是“用离散逼近连续”的学问。所有数值方法，都是在用有限的计算机精度、有限的采样点、有限的迭代次数，去逼近一个数学上“无限精确”的结果。

这意味着你一定绕不开三个问题：

第一，误差问题。数值计算没有绝对精确，只有误差可控。截断误差、舍入误差、迭代误差，这三类误差贯穿所有数值算法。很多刚入门的人算出一个数就急着用，从不问“这个数可信吗？误差有多大？”。数值分析学得好不好，本质是看你对误差有没有感觉。

第二，方法选择问题。同一个数学问题，数值方法可能有很多种。例如求非线性方程根，有二分法、牛顿法、割线法；做数值积分，有梯形公式、辛普森公式、高斯求积。没有绝对最好的方法，只有最合适当前场景的方法。

第三，结果验证问题。数值计算最怕的是“算得飞快但结果全错”。MATLAB 提供了一个非常方便的验证思路：同一问题用两种不同方法或不同参数计算，对比结果差异；有解析解时，优先和解析解对比；有条件时，把步长缩小一倍看结果是否稳定。

把这三件事记在脑子里，再去学具体函数，效率会高很多。否则你只是在记 API，不是在学科技术。

2. 数值分析的起点：向量化思维

很多初学者写 MATLAB 代码，还残留着 C 语言的习惯：能写for循环就绝不写向量运算。

% 反面教材：用循环算 1 到 100000 的平方和 n = 100000; s = 0; for i = 1:n s = s + i^2; end

这段代码在功能上没有错，但在 MATLAB 里属于低效写法。MATLAB 的底层矩阵运算经过高度优化，直接对数组整体操作通常比循环快一到两个数量级。

% 推荐写法：向量化 n = 100000; i = 1:n; s = sum(i.^2);

这里有一个新手最常犯的错误：把i.^2写成i^2。在 MATLAB 里，^是矩阵乘方，i^2等价于i * i，要求i必须是方阵；而i.^2是逐元素乘方。同样，*是矩阵乘法，.*是逐元素乘法。

理解这组区别，是掌握 MATLAB 数值分析的第一道门槛。后面所有代码，包括函数绘图、矩阵运算、积分求解，都会频繁用到逐元素和矩阵两类运算。建议你拿到任何一个 MATLAB 程序，先扫一遍有没有混淆*和.*、^和.^，这是最常见的报错来源之一。

除了运算符号，初始化向量也要用对方法。推荐用linspace或zeros预分配空间，而不是在循环里不断拼数组。

x = linspace(0, 2*pi, 1000); % 生成 0 到 2*pi 之间均匀分布的 1000 个点 y = sin(x); % 直接得到向量结果

这种写法不仅简洁，而且更容易阅读。真正需要循环的时候，再用for。

3. MATLAB 数值分析环境准备

写 MATLAB 数值分析代码，第一步是有一个能跑环境的 MATLAB。这里给出几种常见选择：

第一，本地安装 MATLAB。MathWorks 官方网站提供免费试用版，在校学生和教师可以使用校园授权版本，部分企业也有商业授权。安装完成后，确保MATLAB命令能在终端中启动，或者直接使用 MATLAB Desktop。

第二，MATLAB Online 在线版。如果你不想在本地安装大体积软件，可以直接通过浏览器使用 MATLAB Online。它适合快速测试小段代码，也适合从零开始学习基础语法。不过，涉及本地文件较多或需要大量并行计算时，在线版体验会受限。

第三，Octave 作为替代学习工具。如果你当前无法获得 MATLAB 授权，GNU Octave 是一个语法高度兼容的开源替代品。很多基础数值分析代码在 Octave 中可以直接运行，适合前期学习语法和算法思路。但要注意，部分工具箱函数在 Octave 中不存在或实现有差异，涉及 Simulink、特定工具箱时还是要回到 MATLAB。

环境准备阶段，我的建议是：不要追求最新版本，用你手头能稳定获得的版本即可。数值分析的核心算法非常成熟，polyfit、fzero、integral、ode45这些函数在近十个版本里的接口基本一致。

确认环境无误，可以在命令窗口运行：

ver

这个命令会列出当前 MATLAB 版本和已安装的工具箱。如果你要用优化、统计、符号计算等能力，需要确认对应工具箱是否可用。

安全提示：安装 MATLAB 请从官方渠道获取安装包和授权，不要使用任何来源不明的破解工具或密钥。这类工具不仅违反软件许可协议，还可能携带恶意代码。

4. 数值分析核心流程拆解

拿到一个实际的数值分析问题，不管具体是求根、积分还是拟合，处理流程几乎是固定的。建议你按下面四步走。

第一步：数学建模。先把实际问题翻译成数学问题。要拟合数据，就明确自变量、因变量、模型形式；要求非线性方程根，就写成“求 f(x)=0 的解”；要求积分，就明确被积函数和积分区间。这一步最容易被跳过，但恰恰决定了后续所有工作的方向。

第二步：方法选型。根据数学问题的特征选择数值方法。例如求根，如果函数连续且我们知道根的大致区间，用fzero配合区间是稳妥选择；如果函数可导且有较好的初始值，可以用fsolve（优化工具箱）或自己实现牛顿法。

第三步：代码实现。在 MATLAB 中实现算法。关键点在于把数学表达式正确地翻译成 MATLAB 语法，特别是函数句柄的写法。

第四步：结果验证。这是新手最容易忽略的一步。算完必须问：结果是否符合物理意义？误差在什么量级？用不同初始值、不同步长再算一次，结果稳定吗？

下面几个小节，我会按照这个流程分别演示几个最经典的数值分析场景。

5. 完整示例：数据拟合

5.1 问题与思路

假设你有一组实验数据，记录的是某个物理量随时间的测量值：

x = [0 1 2 3 4 5 6 7]'; y = [0.5 2.1 4.8 8.9 15.2 23.1 33.8 47.4]';

你想要找一个函数来描述 y 随 x 的变化规律。从散点趋势看，这近似一条二次曲线。于是问题变成：求二次多项式y = a*x^2 + b*x + c中的系数 a、b、c，使得模型和数据的误差最小。

5.2 使用 polyfit 实现多项式拟合

% 文件路径：fit_demo.m x = [0 1 2 3 4 5 6 7]'; y = [0.5 2.1 4.8 8.9 15.2 23.1 33.8 47.4]'; % 用 2 次多项式拟合 p = polyfit(x, y, 2); % 查看拟合系数 disp(p); % 生成平滑曲线的 x 值 x_fit = linspace(0, 7, 200); % 计算拟合曲线对应的 y 值 y_fit = polyval(p, x_fit); % 可视化原始数据点和拟合曲线 plot(x, y, 'o', x_fit, y_fit, '-'); xlabel('x'); ylabel('y'); legend('原始数据', '二次拟合曲线', 'Location', 'northwest'); grid on;

运行这段代码，p是一个长度为 3 的向量，依次是二次项系数、一次项系数、常数项。注意，polyfit返回的系数顺序是从高次到低次，这和很多人的直觉相反，是一个容易看错的地方。

5.3 判断拟合好不好

拟合完不能只看曲线“差不多”，要量化误差。常用指标是均方根误差（RMSE）：

% 计算拟合残差和 RMSE y_pred = polyval(p, x); residual = y - y_pred; rmse = sqrt(mean(residual.^2)); fprintf('RMSE = %.4f\n', rmse);

如果 RMSE 相对 y 的量级很小，说明拟合效果较好。如果残差呈现明显的系统性趋势，比如先正后负再正，说明模型形式选得不对，需要考虑更高次多项式或其他函数形式。

这里给出一个工程建议：不要一上来就用高次多项式。多项式次数越高，对已知数据点的逼近能力越强，但对数据噪声的过拟合风险也越大。实际项目中，先尝试一次、二次、三次，对比每次的 RMSE 和残差图。如果三次以后 RMSE 下降不再明显，就选低次模型。

对于更复杂的非线性拟合场景，MATLAB 的fit函数（Curve Fitting Toolbox）支持自定义模型：

% 自定义指数衰减模型: y = a * exp(-b*x) + c ft = fittype('a*exp(-b*x)+c', 'independent', 'x', 'dependent', 'y'); f = fit(x, y, ft, 'StartPoint', [1 0.5 0]);

使用fit时需要提供合理的初始值StartPoint，否则迭代可能不收敛或收敛到局部最优。

6. 完整示例：非线性方程求根

6.1 问题与思路

求非线性方程的根，是数值分析里出现频率最高的任务之一。一个典型的例子是求解超越方程：

2*x - cos(x) = 0

这个方程没有解析解，只能通过数值方法逼近。

6.2 使用 fzero 求根

MATLAB 中，fzero是求解单变量非线性方程根的默认选择。它的典型用法有两种：给定一个初始猜测点，或者给定一个包含根的大致区间。

% 文件路径：root_demo.m % 定义函数句柄 % 注意这里用点运算，保证 x 为向量时也能计算 f = @(x) 2*x - cos(x); % 方式一：指定初始猜测点 x1 = fzero(f, 0); % 方式二：指定一个包含根的区间 x2 = fzero(f, [0 1]); % 输出结果 fprintf('x1 = %.8f\n', x1); fprintf('x2 = %.8f\n', x2); % 验证：把根代回原方程，残差应接近 0 residual = f(x1); fprintf('验证残差 = %.2e\n', residual);

运行后，两种方式得到的结果应该非常接近，实际值约为0.45018361。注意fzero对区间形式有要求：区间两个端点处的函数值必须异号，否则会报错“函数值必须异号”。

6.3 一个容易踩的坑：函数写成向量形式

fzero要求传入的函数能够接受标量输入。如果你的函数句柄里写了^而不是.^，当fzero在内部做一些试探时，就可能因为矩阵维度问题报错。所以，定义函数句柄时，如果函数体内有乘方、乘法、除法，优先使用点运算。

另一个常见问题是：初始值给得不好，fzero可能收敛到另一个根，或直接失败。如果你的方程有多个根，建议先用画图的方式了解函数的大致形态。

% 画图观察函数形态，帮助确定初始值 x_plot = linspace(-2, 2, 500); y_plot = 2*x_plot - cos(x_plot); plot(x_plot, y_plot, 'b-', x_plot, zeros(size(x_plot)), 'k--'); xlabel('x'); ylabel('f(x)'); grid on;

图中函数曲线与零轴的交点，就是根的大致位置。

如果遇到多变量非线性方程组求根，可以使用fsolve（Optimization Toolbox）：

% 求解方程组: % x1^2 + x2^2 = 1 % x1 - x2 = 0 fun = @(x) [x(1)^2 + x(2)^2 - 1; x(1) - x(2)]; x0 = [0.5; 0.5]; [x_sol, fval] = fsolve(fun, x0); disp(x_sol); disp(fval);

注意fsolve也是迭代算法，对初始值敏感。工程上建议用多个不同的初始值试算，看结果是否一致。

7. 完整示例：数值积分

7.1 问题与思路

数值积分的核心场景是：被积函数没有解析原函数，或者原函数表达式过于复杂，只能通过数值方法计算定积分。例如：

I = ∫(0 to 1) exp(-x^2) dx

这个积分在概率统计中非常常见，但exp(-x^2)的原函数不是初等函数，只能数值求解。

7.2 使用 integral 计算定积分

MATLAB 推荐用integral函数，它在大多数情况下会自动选择合适的积分策略，兼顾精度和速度。

% 文件路径：integral_demo.m % 定义被积函数 f = @(x) exp(-x.^2); % 计算 0 到 1 的定积分 I = integral(f, 0, 1); % 输出结果 fprintf('I = %.10f\n', I);

这里的exp(-x.^2)使用了点乘方，因为integral在内部会向量化评估被积函数，如果不加点运算，会出现维度错误。

7.3 多重积分与验证

对于二重积分，可以使用integral2：

% 计算二重积分: ∫∫ exp(-x^2-y^2) dx dy, 区域 x∈[0,1], y∈[0,1] f2 = @(x, y) exp(-x.^2 - y.^2); I2 = integral2(f2, 0, 1, 0, 1); fprintf('I2 = %.10f\n', I2);

验证数值积分结果的一个重要方法是：缩小积分步长或用不同方法计算，看结果是否稳定趋同。对于一维积分，也可以手工实现一个简单的辛普森公式做交叉验证：

% 手写复合辛普森公式，用于交叉验证 a = 0; b = 1; N = 1000; % 区间划分数，需为偶数 h = (b - a) / N; x = linspace(a, b, N+1); fx = f(x); % 辛普森公式加权 S = h/3 * (fx(1) + fx(end) + 4*sum(fx(2:2:end-1)) + 2*sum(fx(3:2:end-2))); fprintf('辛普森公式结果 = %.10f\n', S);

如果integral的结果与辛普森公式的结果在误差范围内一致，说明计算结果可信。

经验之谈：不要用quad或quadl这类旧接口写新代码。虽然旧代码里经常见到它们，但 MATLAB 官方推荐的新接口是integral系列，它在处理振荡函数、奇异性、无穷区间时更可靠。遇到广义积分，比如积分上限为无穷，integral也可以直接处理：

% 计算 0 到无穷的积分 I_inf = integral(f, 0, Inf); fprintf('I_inf = %.10f\n', I_inf);

8. 完整示例：常微分方程求解

8.1 问题与思路

常微分方程（ODE）求解是数值分析中最具工程价值的模块之一。物理、控制、金融、生物等领域的动态系统建模，最后几乎都会落到一组 ODE 上。

MATLAB 中，ode45是最常用的求解器，适合大多数非刚性 ODE 问题。它的使用方式很像一个标准流程：

第一，把高阶 ODE 改写成一阶 ODE 方程组。第二，编写一个函数，返回每个状态变量的导数。第三，调用ode45，传入时间范围、初始条件、导数函数。第四，可视化并检查结果。

8.2 一个完整的摆动方程示例

考虑一个带阻尼的简单摆系统，其方程为：

θ'' + 0.5*θ' + sin(θ) = 0

这是二阶非线性 ODE，直接求解析解非常困难，但用 MATLAB 很容易数值求解。

首先做变量替换，令：

y1 = θ y2 = θ'

则原方程变成一阶方程组：

y1' = y2 y2' = -0.5*y2 - sin(y1)

% 文件路径：ode_demo.m % 定义 ODE 方程组 % t 是时间变量，y 是状态向量，y(1) 是角度，y(2) 是角速度 % 注意：这里用点运算不是必须的，因为 ode45 一般按列向量处理， % 但为了保持一致性，三角函数和乘法都加上点运算也没有问题。 odefun = @(t, y) [y(2); -0.5*y(2) - sin(y(1))]; % 时间范围 tspan = [0 20]; % 初始条件：初始角度 0.5 弧度，初始角速度 0 y0 = [0.5; 0]; % 求解 [t, y] = ode45(odefun, tspan, y0); % 绘制角度随时间变化曲线 plot(t, y(:, 1), 'b-'); xlabel('时间 t'); ylabel('角度 θ'); title('带阻尼摆的角度随时间变化'); grid on;

运行后，你会看到角度随时间呈衰减振荡，这正是有阻尼摆的物理特征。

8.3 稳态验证与相图

检查数值解是否合理，可以从两个角度看。

第一，看能量趋势。带阻尼的系统总能量应该随时间单调减小，最后趋于 0。第二，画相图，即角速度对角度的曲线。如果系统有阻尼，相轨线应该呈螺旋向内收敛。

% 绘制相图 plot(y(:, 1), y(:, 2), 'r-'); xlabel('角度 θ'); ylabel('角速度 θ'''); title('相轨线'); grid on;

如果画出来的相轨线不是向内收敛，而是发散或形成封闭圈，说明初始条件或求解器选择可能有问题。

8.4 关于 ode45 的一个重要提醒

如果系统是刚性的，比如包含快变和慢变两个时间尺度，ode45的积分步长会被迫取得很小，计算速度极慢。这时应改用刚性求解器，例如ode15s。判断方法很简单：如果ode45计算时间难以接受，或者给出警告“步长在时间 t 处失败”，就尝试换成ode15s。

[t, y] = ode15s(odefun, tspan, y0);

刚性问题在化学反应动力学、电路仿真中非常常见。记住这条经验，可以在实际项目中省下大量调试时间。

除了ode45和ode15s，MATLAB 还提供ode23、ode23s、ode23t、ode23tb等不同求解器。选型原则供参考：

9. 运行结果与验证方法

到这里，我们给出了数据拟合、求根、数值积分、常微分方程四个完整的 MATLAB 数值分析示例。很多新手跑完代码看到输出，就认为任务完成。但在实际工作中，“程序能跑”和“结果可信”之间还有很大距离。

这里给出一个通用的结果验证清单，建议每次数值计算完成后都过一遍：

1. 残差检查：把计算结果代回原方程或模型，看残差是否在可接受范围。
2. 解析特例对比：如果问题有某个特殊参数能让它退化成有解析解的形式，先用那个形式验证算法。
3. 参数扰动测试：改变初始值、步长、容差等参数，看结果是否稳定。
4. 图形目检：对拟合、ODE 等问题，画图观察曲线是否符合物理直觉。
5. 方法交叉验证：用两种不同算法或两个不同库函数计算同一问题，对比结果。

例如对 ODE 求解，可以通过减小相对容差来看结果是否变化：

% 设置更严格的容差 options = odeset('RelTol', 1e-8, 'AbsTol', 1e-10); [t2, y2] = ode45(odefun, tspan, y0, options); % 对比默认容差和严格容差下的最终状态 fprintf('默认容差最终角度: %.10f\n', y(end, 1)); fprintf('严格容差最终角度: %.10f\n', y2(end, 1));

如果两者差异很小，说明结果对算法参数不敏感，可信度较高。如果差异明显，你需要重新审视模型和求解器选择。

10. 常见问题与排查思路

下表整理了我认为 MATLAB 数值分析最常遇到的问题。如果你在运行代码时卡住，可以先按这个表格排查。

另外补充一个很常见的坑：加载数据时忘记看清数据类型。用load读入文本文件时，默认得到的是 double 数组还是 cell 数组，取决于文件内容。如果后续数值计算报错，先用whos查看变量类型，再用double()做显式转换。

11. 最佳实践与工程建议

数值分析的代码，在学术研究和工业项目里都会运行。有些习惯越早养成越好。

第一，脚本文件命名和注释要有规范。不要用test1.m、final2.m这种命名。一个脚本只解决一个问题，文件名就是问题名称，例如fit_spring_damping.m、solve_beam_bending.m。每个脚本头部写清楚：问题描述、输入输出、使用的主要函数、作者、日期。

第二，函数尽量写成函数文件，不要全堆在脚本里。多个脚本共用的模型定义、算法过程，抽成独立函数文件。这样既方便测试，也方便其他人复用。

% 文件路径：my_ode_model.m function dydt = my_ode_model(t, y) % 带阻尼摆的 ODE 方程 % 输入 t: 时间 % 输入 y: [角度; 角速度] % 输出 dydt: [角速度; 角加速度] dydt = [y(2); -0.5*y(2) - sin(y(1))]; end

然后求解时：

[t, y] = ode45(@my_ode_model, tspan, y0);

第三，控制误差要像控制代码质量一样认真。数值分析项目里，odeset、optimoptions这些误差控制参数不是配角。生产级计算中，建议显式设置误差容限，并记录在日志中。

options = odeset('RelTol', 1e-6, 'AbsTol', 1e-8); [t, y] = ode45(@my_ode_model, tspan, y0, options);

第四，尽量用矩阵和向量运算，减少循环。这不仅能提升性能，也让代码更接近数学表达，更容易检查错误。即使在必须循环的场景（例如递推算法），也先用zeros预分配存储空间。

第五，关于数据和模型安全。如果你在商业项目中做数值分析，数据文件往往有保密要求。代码里不要硬编码数据库密码、接口密钥等信息，配置项建议用独立配置文件或环境变量管理。模型文件和数据文件做好版本管理，修改后记录变更原因。涉及生产环境决策时，数值计算结果只能作为参考输入之一，不能替代领域专家的最终判断。

第六，如果代码要交给别人维护，请附带一个 README。说明运行环境、依赖工具箱、输入数据格式、输出结果含义。很多 MATLAB 脚本跑不通，不是因为代码有 bug，而是因为别人不知道数据该放哪里、该调哪个函数。

数据文件说明： - data.xlsx：实验原始数据 - 第一列：采样时间 - 第二列：测量值 运行方式： 直接运行 fit_spring_damping.m 即可 依赖工具箱：Curve Fitting Toolbox

12. 关于“免费教程”的一点判断

回到标题里“免费 MATLAB 教程”这几个字。我的看法是：免费教程的价值不在于“免费”，而在于“结构化地省时间”。

MATLAB 的官方文档本身免费开放，而且质量非常高。绝大多数函数都有详细说明、示例和输入输出格式。网络上各种免费博客、视频课程也很多，但质量参差不齐。有些教程停留在“教你怎么调函数”，没有讲清楚误差、收敛性、方法适用范围。这类内容能帮你跑通示例，但帮不了你解决真实问题。

从学习路径上，我更推荐这样的组合：

1. 先用官方 MATLAB Onramp 交互式教程扫盲，了解基本语法和界面。这是 MathWorks 提供的免费入门课程。
2. 再结合一本数值分析教材，比如经典的《数值分析》（Burden & Faires 或 李庆扬版），先理解每种数值方法背后的数学原理，再动手用 MATLAB 实现。
3. 遇到具体函数，优先查 MATLAB 官方文档中的示例页。
4. 每周挑一个实际问题：拟合一组真实数据、求解一个物理方程、计算一个复杂积分。用本文给出的流程走一遍：建模、选方法、实现、验证。
5. 加入 MATLAB 相关的技术社区，遇到报错信息先搜索，再提问。提问时附上代码、版本、完整报错，而不是只贴一行错误信息。

也可以关注“大谦MATLAB”这类免费内容发布者，获取成体系的教程和案例。但请理解一件事：免费教程能帮你降低入门门槛，但真正的能力是在你反复实践、调试、验证之后形成的。你花在“跑通一个别人没跑通过的问题”上的每一分钟，都是有效学习时间。

更稳妥的判断是：不要囤积教程。书签收藏一百篇教程，不如把一个真实问题完整地做一遍。数值分析能力是练出来的，不是看出来的。

13. 总结与下一步实践建议

这篇文章从数值分析的核心矛盾入手，讲了三件事：

第一，数值分析的本质是用离散方法逼近连续问题，误差控制和方法选择是贯穿始终的主线。第二，MATLAB 做数值分析有固定的流程：建模、选方法、实现、验证，四个环节缺一不可。第三，具体到工具层面，polyfit、fzero、integral、ode45是数据分析、求根、积分、微分方程四大高频任务的标准答案，但每个函数都有使用边界和容易踩坑的地方。

如果你现在还在入门阶段，下一步可以这样练：

从今天学到的四个示例里挑一个，改成你自己的实际问题。比如把拟合示例的数据换成你自己专业领域的实验数据，把求根示例的方程换成你课程里的某个非线性方程，把 ODE 示例的参数改成你正在研究的物理系统参数。改完以后，按照第 9 节的验证清单检查一遍结果。

如果你想继续深入，有四个方向值得探索：

• 线性代数与矩阵分解：lu、qr、svd、eig，这是科学计算的基石。
• 插值与逼近：interp1、spline、pchip，在数据处理和可视化中非常常用。
• 优化算法：fminunc、fmincon、lsqnonlin，解决“怎么让目标函数最小”的问题。
• 偏微分方程数值解：pdepe以及 MATLAB 的 PDE Toolbox，这是数值分析的高阶应用。

从关键词看，很多人还在搜“matlab点乘和直接乘有啥区别”“matlab画图”“matlab图像处理”，这些都是非常基础但极其重要的点。建议你把基础语法、向量化、绘图这三块彻底打牢，再进入数值分析的核心方法，效率会高很多。

如果你在运行本文代码时遇到问题，先根据第 10 节的排查表自查一遍。还搞不定，再带上你的完整代码、MATLAB 版本和完整报错信息去搜索或提问。祝你的 MATLAB 数值分析之路，从“能跑”走向“可信”。