索引超出了矩阵维。
错误reduceei(line3)。
ifany(m ) 1， ) )
错误eisum(line4) )。
f=reduce ei ([ zeros (max (msize (2(1，Nsize(1)1)-Msize(1) 1，msize )2) ] m )、[Zeros(max(msize(1) ) n ) )；
错误类描述(line9) )。
F1=Eisum(F1，f2 )；
错误AFS_iris_classify(line33 ) ) )。
describe class { K1 }=class describe (xattribute，ClassLength 1，classlengthclassnum ) k1 )；
清除
clc
traindata_mat=xlsread(train1)；
testdata_mat=xlsread('test1)；
[TrainSampleNum，trainattributenum ]=size (train data _ mat )；
Parameter_Mat=[0.8 0.5 0.2；
0.8 0.5 0.2；
0.8 0.5 0.2；
0.8 0.5 0.2；
0.8 0.5 0.2；
0.8 0.5 0.2；
0.8 0.5 0.2；
0.8 0.5 0.2；
0.8 0.5 0.2] )；
str _ mat=gen _ structure (train data _ mat，Parameter_Mat )；
lou_mat=ones(trainsamplenum，6*TrainAttributeNum )；
Logic_Ind=1；
Threshold_1=0.8；
Threshold_2=0.75；
NumK=1；
错误=0；
[Attribute_2，SimpleConcepts，simplememships ]=initial describe (Lou _ mat，Str_Mat，Logic_Ind，threshold _ theshold )
trainclasslabel=[ ones (1，140 )，2*Ones ) 1，115 ] ]
test class label=[ ones (1，45 )，2*Ones ) 1，40 ]；
xtribute=select describe1(attribute _ 2，TrainClassLabel，NumK，Error，Lou_Mat，Str_Mat，Logic_Ind )；
classnum=histc(trainclasslabel，unique ) trainclasslabel )； %计算每班有多少样品和班的个数
ClassLength=0；
fork1=1:length(classnum ) ) ) ) ) ) ) ) ) ) ) ) )。
describe class { K1 }=class describe (xattribute，ClassLength 1，classlengthclassnum ) k1 )；
classlength=classlengthclassnum (k1 )；
结束
forK2=1:length(classnum ) ) ) ) )。
train memberships1(k2， )=degree(lou_mat，Str_Mat，DescribeClass{k2}，Logic_Ind )； %首次切割后在训练集中的隶属度
结束
[TrainCorrectRate1，ClassAccuaryNum1，ClassAccuary1，ComparaMatrix1，error vector1]=classifytestafs (train memberships1)
[TestSampleNum，testattributenum ]=size (test data _ mat )；
test str _ mat=gen _ structure (test data _ mat，Parameter_Mat )；
testlou_mat=Ones(testsamplenum，6*TestAttributeNum )；
forK4=1:length(classnum ) ) ) ) ) ) ) ) ) ) )。
test memberships1(k4， )=degree(testlou_mat，TestStr_Mat，DescribeClass{k4}，Logic_Ind )； %初次切割后在测试集中的隶属度
结束
[TestCorrectRate1，TestClassAccuaryNum1，TestClassAccuary1，TestComparaMatrix1，testerrorvector1]=classifytestafs (tes )
TrainCorrectRate1
TestCorrectRate1
TestClassAccuaryNum1
函数n=reduce ei (m ) )。
ifany(m ) 1， ) )
error (' thefirstrowofinputmatrixmustbezeros.' )
结束
m=compactei(m；
m=Tran_bool(m；
reserve_ei=reduceei_bool(m；
n=tran_ei_mat(reserve_ei )；
返回
functionf=eisum(m，n ) ) ) ) ) ) ) ) ) ) ) functionf=eisum(m，n )。
msize=size(m；
nsize=size(n；
f=reduce ei ([ zeros (max (msize (2(1，Nsize(1)1)-Msize(1) 1，msize )2) ] m )、[Zeros(max(msize(1) ) n ) )；
返回
函数f=class describe (x _ attribute，I，j ) )。
%X_attribute是一个行向量的单元格数组，按相同类型的说明分段放置
%属性矩阵(单元格数组) )
每个%i，j类的起点、终点
f1=X_attribute{i}；
if(I=j ) )。
for Index=i 1:j
f2=X_attribute{Index}；
F1=Eisum(F1，f2 )；
结束
else
for Index=i-1:-1:j
f2=X_attribute{Index}；
F1=Eisum(F1，f2 )；
结束
结束
f=reduceei(F1；
返回；
寻求大接触的帮助，我调查了很多，对于这个“索引超过了矩阵的维度”，到底应该怎么改变代码呢？ 为什么输入数据量少的话有时不会超过维度？