MATLAB绘制云模型程序实例.docxVIP

MATLAB绘制云模型程序实例

云模型作为连接定性概念与定量描述的桥梁，在不确定性推理、数据挖掘等领域有着广泛应用。其核心思想是利用期望值（Ex）、熵（En）和超熵（He）三个数字特征来刻画定性概念的模糊性与随机性。本文将详细介绍如何在MATLAB环境下实现云模型的绘制，并通过具体程序实例展示其应用过程。

一、云模型核心概念简述

在深入程序实现之前，有必要先明确云模型的几个关键要素。期望值Ex代表了定性概念的中心值，是最能代表该概念的点。熵En则反映了定性概念的模糊程度，熵值越大，概念的边界越模糊，其取值范围也越宽。超熵He是熵的不确定性度量，即熵的熵，它反映了云滴的离散程度，超熵越大，云滴的分布越分散，云图的“厚度”也越大。

正向云发生器是云模型可视化的核心算法，其作用是根据给定的数字特征（Ex,En,He）生成若干个云滴，每个云滴都带有（x,μ）的坐标，其中x为定量值，μ为该x隶属于定性概念的确定度。

二、MATLAB实现正向云发生器

（一）算法步骤

正向云发生器的实现主要遵循以下步骤：

1.生成以En为期望值，He为标准差的正态分布随机数En_i；

2.以Ex为期望值，|En_i|为标准差生成正态分布随机数x_i，作为云滴的横坐标；

3.计算该x_i对应的确定度μ_i=exp(-(x_i-Ex)^2/(2*En_i^2))；

4.重复步骤1-3，直至生成所需数量的云滴；

5.将所有（x_i,μ_i）云滴绘制在坐标系中，形成云图。

（二）程序代码实现

下面提供一个完整的MATLAB函数`CloudGenerator`，用于生成云滴数据并绘制云图。

functionCloudGenerator(Ex,En,He,N)

%云模型正向发生器

%输入参数:

%Ex:期望值

%En:熵

%He:超熵

%N:生成云滴的数量

%输出:

%绘制云图，并返回云滴数据(x,mu)

ifnargin4

error(输入参数不足，请提供Ex,En,He和N);

end

%生成N个以En为期望，He为标准差的正态随机数En_i

En_i=En+He*randn(1,N);

%生成云滴的x坐标，服从N(Ex,En_i^2)

x=Ex+En_i.*randn(1,N);

%计算每个x对应的确定度mu

mu=exp(-(x-Ex).^2./(2*En_i.^2));

%绘制云图

figure;

scatter(x,mu,30,filled,MarkerFaceAlpha,0.6);

xlabel(论域);

ylabel(确定度);

title([云模型(Ex=,num2str(Ex),,En=,num2str(En),,He=,num2str(He),)]);

gridon;

axistight;

%返回云滴数据

%CloudData=[x;mu];

end

（三）代码解读

上述函数首先对输入参数进行了简单校验，确保必要的参数（Ex,En,He,N）均已提供。核心部分在于利用MATLAB的`randn`函数生成符合正态分布的随机数。需要注意的是，在生成x坐标时，每个x_i对应的标准差是之前生成的En_i，这体现了云模型中随机性的层次。确定度μ的计算则遵循正态云模型的隶属度函数公式。

绘图部分采用了`scatter`函数，通过设置点的大小（30）、填充样式（filled）以及透明度（MarkerFaceAlpha,0.6）来增强云图的视觉效果。标题中动态显示了输入的三个数字特征，便于直观比较不同参数对云图形态的影响。

三、程序运行实例与结果分析

（一）基础示例

调用上述函数，设置一组典型参数：`CloudGenerator(5,1,0.1,500)`。这里Ex=5，En=1，He=0.1，生成500个云滴。运行后，MATLAB会弹出一个新的图形窗口，展示生成的云图。

从生成的云图中可以观察到，云滴主要围绕期望值Ex=5附近分布，呈现出中间密集、边缘稀疏的特点。确定度μ的最大值为1，出现在Ex处，随着x偏离Ex，μ值逐渐减小，这符合正态分布的特性。超熵He的存在使得En_i具有一定的波动性，因此云滴的分布并非严格对称，增加了模型的随机性。

（二）参数影响分析

通过调整不同的参数，可以观察云图的变化：

*改变Ex：例如`CloudGenerator(8,1,0.1,500)`，云图整体会沿x轴平移至新的期望值8处。

*改变En：增大En值，如`CloudGenerator(5,2,0.1,500)`，云滴在x轴方向的分布范