def __init__(self, n_inputs, n_rules, learning_rate=0.01): self.n = n_inputs self.m = n_rules self.lr = learning_rate # Initialize MF parameters using k-means clustering kmeans = KMeans(n_clusters=self.m) x0 = np.random.rand(100, self.n) # 用于聚类的样本点 kmeans.fit(x0) centroids = kmeans.cluster_centers_ # 获取聚类中心 sigmas = np.ones(self.m) * (kmeans.inertia_ / self.m) ** 0.5 # 计算标准差 self.params = { "mf_params": np.concatenate([centroids.flatten(), sigmas.flatten()]), "out_params": np.random.rand((self.n + 1) * self.m, ) } def gaussmf(self, x, c, sigma): return np.exp(-np.power(x - c, 2.) / (2 * np.power(sigma, 2.))) def predict(self, X): mf_out = np.zeros((len(X), self.n, self.m)) for i in range(self.n): mf_out[:, i, :] = self.gaussmf(X[:, i].reshape(-1, 1), self.params['mf_params'][:self.m], self.params['mf_params'][self.m:])出现 operands could not be broadcast together with shapes (32,3) (0,) 修改

根据你提供的代码，我发现在predict函数中，如果X的shape是(32, 3)，则会出现operands could not be broadcast together with shapes (32,3) (0,)的错误。这是因为在计算mf_out时，对于每个输入X[:, i].reshape(-1, 1)，都需要对self.params['mf_params'][:self.m]和self.params['mf_params'][self.m:]进行高斯函数计算，而这两个数组的shape都是(0,)，无法与X[:, i].reshape(-1, 1)进行broadcast。

一种可能的修正方法是，在初始化函数__init__中，将标准差sigmas的shape从(3,)修改为(1, 3)，即：

sigmas = np.ones((1, self.m)) * (kmeans.inertia_ / self.m) ** 0.5

这样，在predict函数中计算高斯函数时，就可以使用np.tile函数将self.params['mf_params'][self.m:]沿着第0维复制32次，使其与X[:, i].reshape(-1, 1)的shape相同：

def predict(self, X):
    mf_out = np.zeros((len(X), self.n, self.m))
    for i in range(self.n):
        sigma = np.tile(self.params['mf_params'][self.m:], (len(X), 1))
        mf_out[:, i, :] = self.gaussmf(X[:, i].reshape(-1, 1), self.params['mf_params'][:self.m], sigma)

这样，就可以避免operands could not be broadcast together with shapes的错误。