(完整版)云模型matlab程序
2024版matlab教程(全)资料ppt课件
进行通信系统的建模、仿真和分析。
谢谢聆听
B
C
变量与赋值
在MATLAB中，变量不需要事先声明，可以 直接赋值。变量名以字母开头，可以包含字 母、数字和下划线。
常用函数
MATLAB提供了丰富的内置函数，如sin、 cos、tan等三角函数，以及abs、sqrt等数 学函数。用户可以通过help命令查看函数的
D
使用方法。
02 矩阵运算与数组操作
错误处理
阐述try-catch错误处理机制的语法、 执行流程及应用实例。
04
函数定义与调用
函数概述
阐述函数的概念、作用及分类，包括内置函数和 自定义函数。
函数调用
深入剖析函数的调用方法，包括直接调用、间接 调用及参数传递等技巧。
ABCD
函数定义
详细讲解自定义函数的定义方法，包括函数名、 输入参数、输出参数及函数体等要素。
拟合方法
利用已知数据点构造近似函数，如最小二乘法、多项 式拟合、非线性拟合等。
插值与拟合的比较
插值函数经过所有数据点，而拟合函数则追求整体上 的近似。
数值积分与微分
01
数值积分方法
利用数值技术计算定积分的近似 值，如矩形法、梯形法、辛普森 法等。
02
数值微分方法
通过数值技术求解函数的导数或 微分，如差分法、中心差分法、 五点差分法等。
02
01
矩阵运算
加法与减法
对应元素相加或相减，要求矩阵 大小相同
乘法
使用`*`或`mtimes`函数进行矩阵 乘法，要求内维数相同
点乘与点除
使用`.*`、`./`进行对应元素相乘或 相除，要求矩阵大小相同
特征值与特征向量
matlab建模教程
matlab建模教程Matlab是一种强大的数学建模和仿真平台，广泛应用于科学、工程和金融领域。
本教程将介绍如何使用Matlab进行建模，并详细解释每个步骤。
首先，我们需要了解什么是建模。
建模是根据实际问题或系统的特性创建数学模型的过程。
这些数学模型可以帮助我们理解系统的行为并预测未来的结果。
使用Matlab进行建模可以简化模型的创建和分析过程。
在Matlab中，我们可以使用一个称为“脚本”的文件来编写和运行建模代码。
脚本是一系列Matlab命令的集合，这些命令可以被连续执行以创建所需的模型。
为了方便起见，我们可以在Matlab编辑器中创建和编辑脚本。
建模的第一步是定义问题。
要定义问题，我们需要确定所建模型的目标、输入和输出。
例如，如果我们想建立一个温度预测模型，我们需要明确模型的输入是什么（例如，环境条件）和输出是什么（例如，预测的温度值）。
接下来，我们需要收集数据。
收集数据是为了分析和验证我们的模型。
在Matlab中，我们可以使用数据存储和处理工具，如表格和数据数组，来导入和处理数据。
一旦我们有了数据，我们就可以开始建立模型。
在Matlab中，我们可以使用数学方程、统计方法和机器学习算法等多种方法来建立模型。
例如，我们可以使用线性回归来拟合数据，或者使用神经网络进行分类。
建立模型后，我们可以使用Matlab的可视化工具来分析模型的输出。
Matlab提供了各种绘图函数，如plot和scatter，来绘制图形并展示模型的结果。
我们可以使用这些图形来比较实际数据与模型的预测结果。
最后，我们可以优化我们的模型。
通过调整模型的参数和改进算法，我们可以提高模型的性能和准确性。
在Matlab中，我们可以使用遗传算法、粒子群优化和模拟退火等算法来优化我们的模型。
在建模过程中，我们还需要注意一些常见的问题和错误。
例如，过拟合是一种常见的问题，指的是模型过度适应训练数据，导致对新数据的预测效果较差。
为了避免过拟合，我们可以使用交叉验证和正则化等技术。
matlab教程ppt(完整版)
矩阵的数学运算
总结词
详细描述
总结词
详细描述
掌握矩阵的数学运算，如求逆 、求行列式、求特征值等。
在MATLAB中，可以使用inv() 函数来求矩阵的逆，使用det() 函数来求矩阵的行列式，使用 eig()函数来求矩阵的特征值。 例如，A的逆可以表示为 inv(A)，A的行列式可以表示 为det(A)，A的特征值可以表 示为eig(A)。
• 总结词：了解特征值和特征向量的概念及其在矩阵分析中的作用。 • 详细描述：特征值和特征向量是矩阵分析中的重要概念。特征值是满足Ax=λx的标量λ和向量x，特征向量是与特征值对
应的非零向量。特征值和特征向量在许多实际问题中都有应用，如振动分析、控制系统等。
04
MATLAB图像处理
图像的读取与显示
变量定义
使用赋值语句定义变量，例如 `x = 5`。
矩阵操作
学习如何创建、访问和操作矩 阵，例如使用方括号 `[]`。
函数编写
学习如何创建自定义函数来执 行特定任务。
02
MATLAB编程
变量与数据类型
01
02
03
变量命名规则
MATLAB中的变量名以字 母开头，可以包含字母、 数字和下划线，但不应与 MATLAB保留字冲突。
了解矩阵的数学运算在实际问 题中的应用。
矩阵的数学运算在许多实际问 题中都有应用，如线性方程组 的求解、矩阵的分解、信号处 理等。通过掌握这些运算，可 以更好地理解和解决这些问题 。
矩阵的分解与特征值
• 总结词：了解矩阵的分解方法，如LU分解、QR分解等。
• 详细描述：在MATLAB中，可以使用lu()函数进行LU分解，使用qr()函数进行QR分解。这些分解方法可以将一个复杂的 矩阵分解为几个简单的部分，便于计算和分析。
matlab教程ppt(完整版)
控制流语句
使用条件语句（如if-else）和 循环语句（如for）来控制程序 流程。
变量定义
使用赋值语句定义变量，例如 `a = 5`。
矩阵运算
使用矩阵进行数学运算，如加 法、减法、乘法和除法等。
函数编写
创建自定义函数来执行特定任 务。
02
MATLAB编程语言基础
变量与数据类型
变量命名规则
数据类型转换
编辑器是一个文本编辑器 ，用于编写和编辑 MATLAB脚本和函数。
工具箱窗口提供了一系列 用于特定任务的工具和功 能，如数据可视化、信号 处理等。
工作空间窗口显示当前工 作区中的变量，可以查看 和修改变量的值。
MATLAB基本操作
数据类型
MATLAB支持多种数据类型， 如数值型、字符型和逻辑型等 。
04
MATLAB数值计算
数值计算基础
01
02
03
数值类型
介绍MATLAB中的数值类 型，包括双精度、单精度 、复数等。
变量赋值
讲解如何给变量赋值，包 括标量、向量和矩阵。
运算符
介绍基本的算术运算符、 关系运算符和逻辑运算符 及其优先级。
数值计算函数
数学函数
列举常用的数学函数，如 三角函数、指数函数、对 数函数等。
矩阵的函数运算
总结词：MATLAB提供了许多内置函 数，可以对矩阵进行各种复杂的运算
。
详细描述
矩阵求逆：使用 `inv` 函数求矩阵的 逆。
特征值和特征向量：使用 `eig` 函数 计算矩阵的特征值和特征向量。
行列式值：使用 `det` 函数计算矩阵 的行列式值。
矩阵分解：使用 `factor` 和 `expm` 等函数对矩阵进行分解和计算指数。
数学建模MATLAB程序设计专题ppt课件
全局变量
全局变量(Global Variables)是可以在不同的函数工作空间和MATALB工作空间中共享使用的变量。 用 global定义, 而且每个要共享全局变量的函数和工作空间,都必须逐个定义, 先定义后使用. 注意：由于全局变量在任何定义过的函数中都可以修改，因此不提倡使用全局变量；使用时应十分小心，建议把全局变量的定义放在函数体的开始，全局变量用大写字符命名。
M函数文件的基本格式
函数声明行
function [输出变量列表] = 函数名(输入变量列表)
H1行(用%开头的注释行) 在线帮助文本 (用%开头) 编写和修改记录(用%开头)
函数体
创建M函数文件并调用的步骤
编写函数代码 将函数文件保存为“函数名.m”。 在命令窗口输入命令调用程序
利用泛函命令求极小值
2. fminsearch函数 ：求多变量无约束非线性最小值。 x=fminsearch(h_fun,x0) x=fminsearch(‘funname’,x0) x0是最小值点的初始猜测值。
其它泛函命令
3 .fzero函数：求一维函数的零点，即求f(x)=0的根。 x=fzero(h_fun, x0, tol, trace) x=fzero(‘funname’, x0, tol, trace) x0有两个作用：预定待搜索零点的大致位置和搜索起始点；tol用来控制结果的相对精度，默认值为eps；trace指定迭代信息是否在运算中显示。
其它泛函命令
4. 数值积分：quad和quad8是基于数学上的正方形概念来计算函数的面积。 5. 微分方程的数值解：MATLAB提供ode23、ode45和ode113等多个函数求解微分方程的数值解。
泛函命令
在MATLAB中，所有以函数为输入变量的命令，都称为泛函命令。
MATLAB模型构建与优化方法介绍
MATLAB模型构建与优化方法介绍一、引言MATLAB（Matrix Laboratory）是一种强大而灵活的数值计算与数据可视化软件，广泛应用于科学、工程、金融等各个领域。
在模型构建与优化方面，MATLAB提供了丰富的工具和函数，使得用户可以方便地进行模型构建和参数优化。
二、MATLAB模型构建在MATLAB中，模型构建是指通过定义变量、方程和约束条件，将实际问题转化为数学模型。
MATLAB提供了多种方式来构建模型，其中最常用的是使用符号运算工具箱。
符号运算工具箱提供了符号计算的功能，可以在MATLAB中创建符号变量、符号函数和符号表达式。
用户可以使用符号计算工具箱对数学公式进行展开、求导、积分等操作，从而方便地构建数学模型。
例如，我们可以使用符号计算工具箱来构建一个简单的线性回归模型。
首先，创建符号变量x和y，表示输入和输出变量。
然后，定义线性模型的表达式为y =a*x + b，其中a和b为待求参数。
最后，通过最小二乘法等方法，可以求解出最优的参数值。
除了符号运算工具箱外，MATLAB还提供了其他模型构建工具，如优化工具箱、神经网络工具箱等。
用户可以根据具体需求选择合适的工具进行模型构建。
三、MATLAB模型优化模型优化是指通过调整模型参数，使得模型能够更好地拟合实际数据或达到最优性能。
MATLAB提供了多种优化方法，包括数值优化、遗传算法、模拟退火等。
1. 数值优化数值优化是一类通过迭代求解数值问题的方法。
MATLAB中的数值优化工具箱提供了多种数值优化算法，包括最小二乘法、非线性规划、最大似然估计等。
用户可以根据具体情况选择合适的算法进行优化。
例如，我们可以使用最小二乘法来优化线性回归模型中的参数。
最小二乘法通过最小化实际输出与模型输出之间的误差平方和，来得到最优的参数估计。
MATLAB中的lsqcurvefit函数可以方便地进行最小二乘法优化，用户只需提供模型函数和初始参数值即可。
2. 遗传算法遗传算法是一种模拟生物进化过程的启发式优化算法。
matlab教程ppt(完整版)
汇报人：可编辑
2023-12-24
目录
• MATLAB基础 • MATLAB编程 • MATLAB矩阵运算 • MATLAB数值计算 • MATLAB可视化 • MATLAB应用实例
01
CATALOGUE
MATLAB基础
MATLAB简介
MATLAB定义
MATLAB应用领域
菜单栏
包括文件、编辑、查看、主页 、应用程序等菜单项。
命令窗口
用于输入MATLAB命令并显示 结果。
MATLAB主界面
包括命令窗口、当前目录窗口 、工作空间窗口、历史命令窗 口等。
工具栏
包括常用工具栏和自定义工具 栏。
工作空间窗口
显示当前工作区中的变量。
MATLAB基本操作
变量定义
使用变量名和赋值符号（=）定义变 量。
详细描述
直接输入：在 MATLAB中，可以直 接通过输入矩阵的元 素来创建矩阵。例如 ，`A = [1, 2, 3; 4, 5, 6; 7, 8, 9]`。
使用函数创建： MATLAB提供了多种 函数来创建特殊类型 的矩阵，如`eye(n)`创 建n阶单位矩阵， `diag(v)`创建由向量v 的元素构成的对角矩 阵。
使用bar函数绘制柱状图 ，可以自定义柱子的宽
度、颜色和标签。
使用pie函数绘制饼图， 可以自定义饼块的比例
和颜色。
三维绘图
01
02
03
04
三维线图
使用plot3函数绘制三维线图 ，可以展示三维空间中的数据
点。
三维曲面图
使用surf函数绘制三维曲面图 ，可以展示三维空间中的曲面
。
三维等高线图
云模型实现图形-MATLAB程序
一维云模型程序：clcclearEx=170;En=5;He=0.5;n=5000;for i=1:nEnn=randn(1)*He+En;x(i)=randn(1)*Enn+Ex;y(i)=exp(-(x(i)-Ex)^2/(2*Enn^2)); endplot(x,y,'.r')title('5000个男生身高的一维云图') ylabel('确定度');xlabel('身高值');axis([150,190,0,1])grid on一维：clear vars;clc;close all;Ex1=-8; En1=0.7; He1=0.2; n1=200; Ex2=2.2; En2=2; He2=0.5; n2=800; Ex3=18; En3=4; He3=0.7; n3=1500; En1_t = normrnd(En1,He1,n1,1);data1 = normrnd(Ex1,En1_t,n1,1);mu1 = exp(-0.5*((data1-Ex1)./En1_t).^2);En2_t = normrnd(En2,He2,n2,1);data2 = normrnd(Ex2,En2_t,n2,1);mu2 = exp(-0.5*((data2-Ex2)./En2_t).^2);En3_t = normrnd(En3,He3,n3,1);data3 = normrnd(Ex3,En3_t,n3,1);mu3 = exp(-0.5*((data3-Ex3)./En3_t).^2);figure(1);plot(data1,mu1,'.b',data2,mu2,'*r',data3,mu3,'+k'); axis equal;二维云模型程序：clcclearEx1=170;En1=5;He1=0.5;Ex2=65;En2=3;He2=0.2;n=5000;for i=1:nEnn1=randn(1)*He1+En1;x1(i)=randn(1)*Enn1+Ex1;Enn2=randn(1)*He2+En2;x2(i)=randn(1)*Enn2+Ex2;y(i)=exp(-(x1(i)-Ex1)^2/(2*Enn1^2)-(x2(i)-Ex2)^2/(2*Enn2^2)); endplot3(x1,x2,y,'.r')title('5000个男生身高体重的二维云图')axis([148,190,50,80,0,1])grid on结果：多个一维clear vars;clc;close all;Ex1=0; En1=0.103; He1=0.013; n1=5000;Ex2=0.309; En2=0.064; He2=0.008; n2=5000;Ex3=0.5; En3=0.039; He3=0.005; n3=5000;Ex4=0.691; En4=0.064; He4=0.008; n4=5000;Ex5=1; En5=0.103; He5=0.013; n5=5000;En1_t = normrnd(En1,He1,n1,1);data1 = normrnd(Ex1,En1_t,n1,1);mu1 = exp(-0.5*((data1-Ex1)./En1_t).^2);En2_t = normrnd(En2,He2,n2,1);data2 = normrnd(Ex2,En2_t,n2,1);mu2 = exp(-0.5*((data2-Ex2)./En2_t).^2);En3_t = normrnd(En3,He3,n3,1);data3 = normrnd(Ex3,En3_t,n3,1);mu3 = exp(-0.5*((data3-Ex3)./En3_t).^2);En4_t = normrnd(En4,He4,n4,1);data4 = normrnd(Ex4,En4_t,n4,1);mu4 = exp(-0.5*((data4-Ex4)./En4_t).^2);En5_t = normrnd(En5,He5,n5,1);data5 = normrnd(Ex5,En5_t,n5,1);mu5 = exp(-0.5*((data5-Ex5)./En5_t).^2);figure(1);plot(data1,mu1,'.r',data2,mu2,'.r',data3,mu3,'.r',data4,mu4,'.r',data5,mu5,'.r' );title('评价集')ylabel('隶属度');axis([-0.4,1.4,0,1])grid on一维Ex=1100;En=84.926;He=0.1;n=1000;X=zeros(1,n);Y=zeros(1,n);X(1:n)=normrnd(En,He,1,n);for i=1:nEn1=X(1,i);X(1,i)=normrnd(Ex,En1,1);Y(1,i)=exp((-(X(1,i)-Ex)^2)/(2*En1^2));plot(X,Y,'.','MarkerEdgeColor','k','markersize',4); title('强等级','fontsize',16);grid on;end逆发生器代码X1=X ;Y1=Y;i=1;while i<=(n-flag)If Y1(1,i)>0.9999Y1(:,i)=[ ] ;X1(:,i)=[ ] ;flag=flag+1;End;Ex=mean(X1) ;En1=zeros(1,m) ;for i=1:m ;En1(1,i)=abs(X1(1,i)-Ex)/sqrt(-2*log(Y1(1,i))) ; End ;En=mean(En1) ;He=0 ;for i=1:m ;He=He+(En1(1,i)-En)^2 ;He=sqrt(He/(m-1)) ;End ;X1 =X;Y1=Y;i=1;while i<=(n-flag)if Y1(1,i)>0.9999Y1(:,i)=[];X1(:,i)=[];flag=flag+1;elsei=i+1;m=m +1;endendEx=mean(X1)En1=zeros(1,m);for i= l:mEn1(1,i)=abs(X1(1,i)-Ex)/sqrt(-2 *log(Y1(1,i))); endEn=mean(En1);He=0;for i=l:mHe=He+(En1(1,i)-En)^2;endHe=sqrt(He/(m-1))clear vars;clc;close all;Ex1=0.457; En1=0.150; He1=0.050; n1=4000; Ex2=0.454; En2=0.156; He2=0.056; n2=4000;Ex3=0.435; En3=0.229; He3=0.067; n3=4000;Ex4=0.415; En4=0.177; He4=0.071; n4=4000;Ex5=0.414; En5=0.298; He5=0.099; n5=4000; Ex6=0.410; En6=0.242; He6=0.061; n6=4000;Ex7=0.410; En7=0.188; He7=0.061; n7=4000;Ex8=0.500; En8=0.039; He8=0.005; n8=5000;En1_t = normrnd(En1,He1,n1,1);data1 = normrnd(Ex1,En1_t,n1,1);mu1 = exp(-0.5*((data1-Ex1)./En1_t).^2);En2_t = normrnd(En2,He2,n2,1);data2 = normrnd(Ex2,En2_t,n2,1);mu2 = exp(-0.5*((data2-Ex2)./En2_t).^2);En3_t = normrnd(En3,He3,n3,1);data3 = normrnd(Ex3,En3_t,n3,1);mu3 = exp(-0.5*((data3-Ex3)./En3_t).^2);En4_t = normrnd(En4,He4,n4,1);data4 = normrnd(Ex4,En4_t,n4,1);mu4 = exp(-0.5*((data4-Ex4)./En4_t).^2);En5_t = normrnd(En5,He5,n5,1);data5 = normrnd(Ex5,En5_t,n5,1);mu5 = exp(-0.5*((data5-Ex5)./En5_t).^2);En6_t = normrnd(En6,He6,n6,1);data6 = normrnd(Ex6,En6_t,n6,1);mu6 = exp(-0.5*((data6-Ex6)./En6_t).^2);En7_t = normrnd(En7,He7,n7,1);data7 = normrnd(Ex7,En7_t,n7,1);mu7 = exp(-0.5*((data7-Ex7)./En7_t).^2);En8_t = normrnd(En8,He8,n8,1);data8 = normrnd(Ex8,En8_t,n8,1);mu8 = exp(-0.5*((data8-Ex8)./En8_t).^2);figure(1);plot(data1,mu1,'.r',data2,mu2,'.r',data3,mu3,'.r',data4,mu4,'.r',data5,mu5,'.r' ,data6,mu6,'.r',data7,mu7,'.r',data8,mu8,'.r');title('评价集')ylabel('隶属度');axis([-0.4,1.4,0,1])grid onclear vars;clc;close all;Ex1=0.716; En1=0.123; He1=0.045; n1=4000;Ex2=0.545; En2=0.140; He2=0.052; n2=4000;Ex3=0.534; En3=0.233; He3=0.085; n3=4000;Ex4=0.461; En4=0.202; He4=0.063; n4=4000;Ex5=0.691; En5=0.064; He5=0.008; n5=6000;En1_t = normrnd(En1,He1,n1,1);data1 = normrnd(Ex1,En1_t,n1,1);mu1 = exp(-0.5*((data1-Ex1)./En1_t).^2);En2_t = normrnd(En2,He2,n2,1);data2 = normrnd(Ex2,En2_t,n2,1);mu2 = exp(-0.5*((data2-Ex2)./En2_t).^2);En3_t = normrnd(En3,He3,n3,1);data3 = normrnd(Ex3,En3_t,n3,1);mu3 = exp(-0.5*((data3-Ex3)./En3_t).^2);En4_t = normrnd(En4,He4,n4,1);data4 = normrnd(Ex4,En4_t,n4,1);mu4 = exp(-0.5*((data4-Ex4)./En4_t).^2);En5_t = normrnd(En5,He5,n5,1);data5 = normrnd(Ex5,En5_t,n5,1);mu5 = exp(-0.5*((data5-Ex5)./En5_t).^2);figure(1);plot(data1,mu1,'.r',data2,mu2,'.r',data3,mu3,'.r',data4,mu4,'.r',data5,mu5,'.r' );title('评价集')ylabel('隶属度');axis([-0.4,1.4,0,1]) grid on。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
1.绘制云图
Ex=18
En=2
He=0.2
hold on
for i=1:1000
Enn=randn(1)*He+En;
x(i)=randn(1)*Enn+Ex;
y(i)=exp(-(x(i)-Ex)^2/(2*Enn^2)); plot(x(i),y(i),'*')
end
Ex=48.7
En=9.1
He=0.39
hold on
for i=1:1000
Enn=randn(1)*He+En;
x(i)=randn(1)*Enn+Ex;
y(i)=exp(-(x(i)-Ex)^2/(2*Enn^2)); plot(x(i),y(i),'*')
end
2.求期望、熵及超熵
X1=[51.93 52.51 54.70 43.14 43.85 44.48 44.61 52.08];
Y1=[0.91169241573 0.921875 0.96032303371 0.75737359551 0.76983848315 0.7808988764 0.78318117978 0.9143258427];
m=8;
Ex=mean(X1)
En1=zeros(1,m);
for i=1:m
En1(1,i)=abs(X1(1,i)-Ex)/sqrt(-2*log(Y1(1,i)));
end
En=mean(En1);
He=0;
for i=1:m
He=He+(En1(1,i)-En)^2;
end
En=mean(En1)
He=sqrt(He/(m-1))
3.平顶山so2环境:
X1=[0.013 0.04 0.054 0.065 0.07 0.067 0.058 0.055 0.045];
Y1=[0.175675676 0.540540541 0.72972973 0.878378378
0.945945946 0.905405405 0.783783784 0.743243243 0.608108108]; m=9;
Ex=mean(X1)
En1=zeros(1,m);
for i=1:m
En1(1,i)=abs(X1(1,i)-Ex)/sqrt(-2*log(Y1(1,i)));
end
En=mean(En1);
He=0;
for i=1:m
He=He+(En1(1,i)-En)^2;
end
En=mean(En1)
He=sqrt(He/(m-1))
1.绘制正向云图
Ex=18
En=2
He=0.2
hold on
for i=1:1000
Enn=randn(1)*He+En;
x(i)=randn(1)*Enn+Ex;
y(i)=exp(-(x(i)-Ex)^2/(2*Enn^2));
plot(x(i),y(i),'*')
end
Ex=48.7
En=9.1
He=0.39
hold on
for i=1:1000
Enn=randn(1)*He+En;
x(i)=randn(1)*Enn+Ex;
y(i)=exp(-(x(i)-Ex)^2/(2*Enn^2));
plot(x(i),y(i),'*')
end
2.逆向云发生器中需要剔除隶属度大于0. 9999 的云滴，剩
下个云滴。
代码如下：
x=[51.93,52.51,54.7,56.96,43.14,43.85,44.48,44.61,52.08];
6983848315,0.7808988764,0.78318117978,0.9143258427];
X1=x;
Y1=y;
i=1;n=9;flag=0;m=0;
while i<=(n-flag)
if Y1(1,i)>0.9999
Y1(:,i)=[];
X1(:,i)=[];
flag=flag+1;
else
i=i+1;
m=m+1;
end
end
m
X1
Y1
输出：
m=8
X1=[51.93 52.51 54.70 43.14 43.85 44.48 44.61 52.08];%除以去掉的56.96得到Y1，云模型在水资源供求预测中的应用
0.76983848315 0.7808988764 0.78318117978 0.9143258427];%确定度或者隶属度
求期望、熵及超熵
X1=[51.93 52.51 54.70 43.14 43.85 44.48 44.61 52.08];%除以去掉的56.96得到Y1，云模型在水资源供求预测中的应用
Y1=[0.91169241573 0.921875 0.96032303371 0.75737359551 0.76983848315 0.7808988764 0.78318117978 0.9143258427];%确定度或者隶属度
m=8;
Ex=mean(X1)
En1=zeros(1,m);
for i=1:m
En1(1,i)=abs(X1(1,i)-Ex)/sqrt(-2*log(Y1(1,i)));
end
En=mean(En1);
He=0;
for i=1:m
He=He+(En1(1,i)-En)^2;
end
En=mean(En1)
He=sqrt(He/(m-1))。