matlab 写一段矩阵求行平均值的代码

可以试试以下的 MATLAB 代码：

% 生成一个 5 行 4 列的随机矩阵
A = rand(5, 4);

% 计算每一行的平均值
row_means = mean(A, 2);

% 打印结果
disp(row_means);

其中，`mean(A, 2)` 表示对矩阵 `A` 沿着第二个维度（即列）求平均值，得到一个列向量。如果要沿着行求平均值，则需要写成 `mean(A, 1)`。

相关问题

通过MATLAB计算一个三维矩阵在一段时间内变化的平均值

在MATLAB中，计算一个三维矩阵随时间变化的平均值通常涉及到对每个时间步长内的数据进行累加，然后除以总的时间点数。以下是一个简单的步骤描述：

1. **初始化**：首先，你需要有一个包含三维数组的数据结构，比如`data`，其中每一层表示不同的时间点，每一行和列代表空间维度（例如x、y、z）。

% 假设 data 是一个三维数组，timeSteps 是时间步的数量
data = ...; % 三维数组，如 [timeSteps x y z]
timeSteps = size(data, 1); % 获取时间步数

2. **计算平均**：你可以使用`mean`函数，如果所有时间步都有相同的维度的话，可以直接按行（即时间步）求平均。

averageData = mean(data, 1);

这将返回一个新的二维数组，其中的每行对应一个时间点的平均值。

3. **验证结果**：如果你想确认结果是否正确，可以检查一下平均后的数据形状是否符合预期，比如 `(y, z)`。

4. **保存或进一步处理**：最后，你可以选择将结果保存到文件或者继续做其他分析。

用matlab写一段贝叶斯BWM的代码

贝叶斯层次分析(Bayesian Analytic Hierarchy Process, BAHP)是层次分析法(AHP)的一种改进方法，它将贝叶斯统计理论引入到层次分析法中，提高了模型的可靠性和准确性。在BAHP中，我们采用贝叶斯方法来对层次结构中的权重进行估计，从而得到更加合理的决策结果。

下面是一个简单的贝叶斯BWM的MATLAB代码实现：

% 定义层次结构, 参考 https://wenku.baidu.com/view/5c1e57a4f01dc281e53af8b7.html
hierarchy = struct('criteria',{{'价格','配置','外观','品牌'}},...
    'alternatives',{{'A','B','C','D','E','F','G','H','I','J'}});

% 构造评分矩阵
price_matrix = [1,2,3,4,5,6,7,8,9,10;
                1/2,1,2,3,4,5,6,7,8,9;
                1/3,1/2,1,2,3,4,5,6,7,8;
                1/4,1/3,1/2,1,2,3,4,5,6,7;
                1/5,1/4,1/3,1/2,1,2,3,4,5,6;
                1/6,1/5,1/4,1/3,1/2,1,2,3,4,5;
                1/7,1/6,1/5,1/4,1/3,1/2,1,2,3,4;
                1/8,1/7,1/6,1/5,1/4,1/3,1/2,1,2,3;
                1/9,1/8,1/7,1/6,1/5,1/4,1/3,1/2,1,2;
                1/10,1/9,1/8,1/7,1/6,1/5,1/4,1/3,1/2,1];

config_matrix = [1,2,3,4,5,6,7,8,9,10;
                 1/2,1,2,3,4,5,6,7,8,9;
                 1/3,1/2,1,2,3,4,5,6,7,8;
                 1/4,1/3,1/2,1,2,3,4,5,6,7;
                 1/5,1/4,1/3,1/2,1,2,3,4,5,6;
                 1/6,1/5,1/4,1/3,1/2,1,2,3,4,5;
                 1/7,1/6,1/5,1/4,1/3,1/2,1,2,3,4;
                 1/8,1/7,1/6,1/5,1/4,1/3,1/2,1,2,3;
                 1/9,1/8,1/7,1/6,1/5,1/4,1/3,1/2,1,2;
                 1/10,1/9,1/8,1/7,1/6,1/5,1/4,1/3,1/2,1];

appearance_matrix = [1,2,3,4,5,6,7,8,9,10;
                     1/2,1,2,3,4,5,6,7,8,9;
                     1/3,1/2,1,2,3,4,5,6,7,8;
                     1/4,1/3,1/2,1,2,3,4,5,6,7;
                     1/5,1/4,1/3,1/2,1,2,3,4,5,6;
                     1/6,1/5,1/4,1/3,1/2,1,2,3,4,5;
                     1/7,1/6,1/5,1/4,1/3,1/2,1,2,3,4;
                     1/8,1/7,1/6,1/5,1/4,1/3,1/2,1,2,3;
                     1/9,1/8,1/7,1/6,1/5,1/4,1/3,1/2,1,2;
                     1/10,1/9,1/8,1/7,1/6,1/5,1/4,1/3,1/2,1];

brand_matrix = [1,2,3,4,5,6,7,8,9,10;
                1/2,1,2,3,4,5,6,7,8,9;
                1/3,1/2,1,2,3,4,5,6,7,8;
                1/4,1/3,1/2,1,2,3,4,5,6,7;
                1/5,1/4,1/3,1/2,1,2,3,4,5,6;
                1/6,1/5,1/4,1/3,1/2,1,2,3,4,5;
                1/7,1/6,1/5,1/4,1/3,1/2,1,2,3,4;
                1/8,1/7,1/6,1/5,1/4,1/3,1/2,1,2,3;
                1/9,1/8,1/7,1/6,1/5,1/4,1/3,1/2,1,2;
                1/10,1/9,1/8,1/7,1/6,1/5,1/4,1/3,1/2,1];

% 将评分矩阵转换为三维矩阵
matrix_3d = zeros(size(price_matrix,1),size(price_matrix,2),4);
matrix_3d(:,:,1) = price_matrix;
matrix_3d(:,:,2) = config_matrix;
matrix_3d(:,:,3) = appearance_matrix;
matrix_3d(:,:,4) = brand_matrix;

% 构造权重先验分布
w_prior_mean = [0.25,0.25,0.25,0.25];
w_prior_cov = diag([0.1,0.1,0.1,0.1]);

% 初始化采样参数
n_iter = 2000;
w_samples = zeros(n_iter,4);

% 进行采样
for i = 1:n_iter
    % 从先验分布中采样权重
    w = mvnrnd(w_prior_mean,w_prior_cov);
    
    % 计算层次分析法中的一致性比率CR
    cr = getCR(matrix_3d,w);
    
    % 判断CR是否小于0.1，如果小于则接受该权重采样
    if cr < 0.1
        w_samples(i,:) = w;
    else % 否则重复采样
        i = i - 1;
    end
end

% 计算所有采样得到的权重的均值
w_mean = mean(w_samples);

% 输出结果
disp('权重采样结果:');
disp(w_samples);
fprintf('均值为: [%.2f, %.2f, %.2f, %.2f]\n',w_mean);

其中，`getCR()`函数用于计算层次分析法中的一致性比率CR，其实现如下：

function cr = getCR(matrix_3d,w)
% 计算层次分析法中的一致性比率CR
% matrix_3d: 三维矩阵，表示评分矩阵
% w: 一维数组，表示权重向量

n_criteria = size(matrix_3d,3); % 获取层次结构中的准则数
n_alternatives = size(matrix_3d,2); % 获取层次结构中的备选方案数

% 计算各准则下备选方案的加权平均值
weighted_average = zeros(n_criteria,n_alternatives);
for i = 1:n_criteria
    weighted_average(i,:) = sum(matrix_3d(:,:,i).*w(i),1);
end

% 计算一致性指标CI
ci = zeros(n_criteria,1);
for i = 1:n_criteria
    tmp = weighted_average(i,:)./w(i);
    ci(i) = (max(tmp)-n_alternatives)/(n_alternatives-1);
end

% 计算一致性比率CR
ri = [0,0,0,0.58,0.90,1.12,1.24,1.32,1.41,1.45];
cr = max(ci)./ri(n_alternatives);
end

在上面的代码中，我们首先定义了层次结构和评分矩阵，然后将评分矩阵转换为三维矩阵，同时定义了权重的先验分布和采样参数。接着，我们使用循环进行采样，每次从先验分布中采样权重，然后计算一致性比率CR，如果CR小于0.1，则接受该权重采样，否则重新采样。最后，我们计算所有采样得到的权重的均值，并输出结果。

注意，在实际应用中，需要根据具体情况调整评分矩阵和权重先验分布，以达到更好的效果。