本人是模糊神经网络初学者，最近在研究模糊神经网络的程序，需要应用到论文中，求大神们给个程序。另外下面是我从网上下载的程序代码，但是不知道这个利用K-means法得到的模糊规则个数是何意，求解，谢谢啦~

ECHO 处于关闭状态。

clc

tic,

%[x,y]=data;

x=[1 1 1;

1 2 3];

y=[2 3 4]; %%%%%--数据显示，输入为－两输入，输出为－单输出。--------样本为p2组

[p1,p2]=size(x);

%－ 一。首先要对样本进行聚类分析，以此来确定模糊规则个数。利用K-means法对样本聚类。

%????此处的K－ means 法待加

%－ 二。建立模糊推理系统

% 隶属度函数个数-－模糊规则个数

k=5;

% 初始化四个隶属度函数的参数A,B及输出层初始权值W

for i=1:p1;

for j=1:k;

m(i,j)=1+0.6*rands(1);

b(i,j)=1+0.6*rands(1);

end

end

for j=1:k;

w(j)=100+rand(1);

end

%%%---推理计算输出值

for q=1:p2;

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%-----用同一隶属度参数对 输入样本 X 累计计算

% 选用高斯函数作为隶属度，求隶属度，共 size(x,2)+k 个。x(1) K个，x(2) K个

for i=1:p1;

for j=1:k;

u(i,j)=gaussmf(x(i,q),[m(i,j),b(i,j)]);

end

end

% 模糊推理计算：a21,a22.几个隶属度函数，得出几个值，本例中两个.

%%%%----由以前的取小做法改为相乘—prod(x,1) or prod(x,2)———

for i=1:k;

v(i)=1;

j=1;

while j<=p1;

v(i)=v(i)*u(j,i);

j=j+1;

end

end

% 归一化计算模糊推理的值；相当于已经除去了经典去模糊输出的分母值

%for i=1:k;

%a3(i)=a2(i)/sum(a2);

%end

% 系统输出

out1(q)=w*v';

e(q)=(y(q)-out1(q));

end

out=out1

%－ 三。参数修正过程。 增加方式，非批处理方式迭代

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

%%%%%%%%%%%%－－－－－－－－---------------------误差反向传播过程－－－-----------------------------------------

% 取误差函数：E＝(1/2)*sumsqr(t-y)

E=(1/2)*sumsqr(y-out)

EE=E;

e

% e=sum(y-out)

lr=0.3; % c2=zeros(2,2);

%%%%----------------------------------------误差反传后的参数修正过程-------------------

r=1;

p=1;

s=1000;

while p<=s & EE>1e-10

%%%%%%%%%%%%%_____隶属度参数 M. B 输出层权值参数 W 的修正过程_____%%%%%%%%%%%%

%%1.--W

wc=zeros(1,k);

for i=1:k;

wc(i)=lr*e(r)*v(i);

end

%%2.--M

mc=zeros(p1,k);

for i=1:p1;

for j=1:k;

mc(i,j)=2*lr*e(r) * w(j) * (v(j)/u(i,j)) * exp(-((x(i,r)-m(i,j)).^2)/(b(i,j).^2))* (x(i,r)-m(i,j))/(b(i,j).^2);

end

end

%%3.--B

bc=zeros(p1,k);

for i=1:p1;

for j=1:k;

bc(i,j)=2*lr*e(r)* w(j) * (v(j)/u(i,j)) * exp(-((x(i,r)-m(i,j)).^2)/(b(i,j).^2)) * ((x(i,r)-m(i,j)).^2)/(b(i,j).^3);

end

end

% 4.参数修正 m b w

m=m+mc;

b=b+bc;

w=w+wc;

%%%%%%%%%%%_______利用修正后的参数重新计算_____________%%%%%%%%%%%%%%%%%%%%%

% 5.利用修正过的参数重新计算输出

for q=1:p2;

for i=1:p1;

for j=1:k;

u(i,j)=gaussmf(x(i,q),[m(i,j),b(i,j)]);

end

end

for i=1:k;

v(i)=1;

j=1;

while j<=p1;

v(i)=v(i)*u(j,i);

j=j+1;

end

end

out1(q)=w*v';

end

out=out1;

p=p+1;

EE=(1/2)*sumsqr(y-out);

E(p)=EE;

r=r+1;

if r>p2

r=1;

end

e(r)=(y(r)-out(r));

end

%%%%%%%%%%%%%%%%%%%________________当误差或迭代步数满足要求后得到结果_________________%%%%%%

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

m,b,w,E_out=EE,e

epoch=1:size(E,2);

figure

plot(epoch,E,'-r');

axis([0 1.5*s min(E) max(E)]);

set(gca,'fontsize',8);

set(gca,'xtick',0:s/10:1.5*s);

%set(gca,'ytick',1e-30:1e5:1e5);

%set(gcf,'color','b')

title('误差变化曲线');xlabel('步数');ylabel('误差');

toc