附录
附录一： 程序
1．问题二中模型一：模糊评判模型 程序一（源代码：p1.m） clc, clear
a=[0.1 0.3 0.4 0.1 0.1 0.2 0.4 0.4 0 0 0.1 0.3 0.5 0.1 0 0 0.1 0.1 0.4 0.4 0 0 0.1 0.4 0.5 0.2 0.4 0.3 0.1 0 ];
w=[0.6 0.4];
w1=[0.5 0.25 0.25]; w2=[0.5 0.25 0.25]; b(1,:)=w1*a([1:3],:); b(2,:)=w2*a([4:6],:); c=w*b ;
程序二（源代码：p2.m） clc, clear
a=[0.1 0.3 0.4 0.2 0 0 0.4 0.2 0.2 0.2 0.2 0.3 0.4 0.1 0 0.1 0.1 0.1 0.4 0.3 0.1 0.1 0.1 0.4 0.3 0.2 0.4 0.2 0.1 0.1 ];
w=[0.6 0.4];
w1=[0.25 0.25 0.5]; w2=[0.25 0.25 0.5]; b(1,:)=w1*a([1:3],:); b(2,:)=w2*a([4:6],:); c=w*b
2．问题二中模型二：聚类分析
视频1程序代码（源代码：moxinger.m）clc,clear load hua.txt
gj=zscore(hua); %数据标准化
1
y=pdist(hua); %求对象间的欧氏距离,每行是一个对象 z=linkage(y,'average'); %按类平均法聚类 h=dendrogram(z); %画聚类图
set(h,'Color','k','LineWidth',1.3) %把聚类图线的颜色改成黑色，线宽加粗 for k=3:5
fprintf('划分成%d类的结果如下：\\n',k)
T=cluster(z,'maxclust',k); %把样本点划分成k类 for i=1:k
tm=find(T==i); %求第i类的对象
tm=reshape(tm,1,length(tm)); %变成行向量
fprintf('第%d类的有%s\\n',i,int2str(tm)); %显示分类结果 end if k==5 break end
fprintf('**********************************\\n'); end
视频二程序代码（源代码：p4.m）： clc,clear load hu.txt
gj=zscore(hu); %数据标准化
y=pdist(hu); %求对象间的欧氏距离,每行是一个对象 z=linkage(y,'average'); %按类平均法聚类 h=dendrogram(z); %画聚类图
set(h,'Color','k','LineWidth',1.3) %把聚类图线的颜色改成黑色，线宽加粗 for k=3:5
fprintf('划分成%d类的结果如下：\\n',k)
T=cluster(z,'maxclust',k); %把样本点划分成k类 for i=1:k
2
tm=find(T==i); %求第i类的对象
tm=reshape(tm,1,length(tm)); %变成行向量
fprintf('第%d类的有%s\\n',i,int2str(tm)); %显示分类结果 end if k==5 break end
fprintf('**********************************\\n'); end
3．问题四中模型：非线性回归法（源代码：p5.m）
xy0=[120 1200 0.6 10 120 930 0.5 300 120 840 0.4 172 120 760 0.5 65 120 1100 0.3 60 120 900 0.6 90 120 890 0.7 560 ];
x=xy0(:,[2:4]); y=xy0(:,1); huaxue=@(beta,x)
(beta(1)-x(:,1).*beta(1).*beta(2)./x(:,2)).*(beta(3).*x(:,1)-x(:,3)); beta0=[0.05,0.005,0.02]';
[beta,r,j]=nlinfit(x,y,huaxue,beta0) betaci=nlparci(beta,r,'jacobian',j)
[yhat,delta]=nlpredci(huaxue,x,beta,r,'jacobian',j)
运行结果： beta =
0.0001 1.0243 -0.3253 r =
28.4765 -8.0898
3
13.1246 65.7630 -55.1525 54.3847 -3.4178 j =
1.0e+006 *
0.8056 1.1274 0.9407 0.4774 1.5416 0.5775 1.0863
betaci =
1.0e+003 *
-0.0005 -4.2144 -0.0015
yhat =
91.5235 128.0898 106.8754 54.2370 175.1525 65.6153 123.4178
delta =
1.0e+004 *
0.0001 -0.0003 0.0001 -0.0002 0.0001 -0.0002 0.0001 -0.0001 0.0002 -0.0005 0.0001 -0.0002 0.0001 -0.0001 0.0005 4.2165 0.0008 4
1.3405 1.8908 1.5770 0.7937 2.5870 0.9604
1.8150
5