首先了解一下什么叫云模型，云模型由中国工程院院士李德毅于1995年提出。云模型由若干云滴组成。其中每个云滴是确定的点，构成一个负责不确定的云。对于一个云的描述饱含三个元素，记作：（Ex，En，He）。
基本概念：Ex，云滴在论域空间的期望。
En，熵。用来表示云团的不确定性程度。
He，超熵。用来表示熵的不确定性程度。一个云模型记作。
正向云发生器：由（Ex，En，He）生成云团。
逆向云发生器：从复杂混乱云团中提取云的核心元素（Ex，En，He）。
主要目的：实现定性概念与定量描述直接的转换。
应用范围：自动驾驶、智能控制、复杂网络建模、语义控制、综合评价等
理论基础：概率论、模糊数学、混沌理论等 。
”云”或者’云滴‘是云模型的基本单元，所谓云是指在其论域上的一个分布，可以用联合概率的形式（x， u）来表示
云模型用三个数据来表示其特征
期望：云滴在论域空间分布的期望，一般用符号Εx表示。
熵：不确定程度，由离散程度和模糊程度共同决定，一般用En表示。
超熵： 用来度量熵的不确定性，既熵的熵，一般用符号He表示。
云有两种发生器：正向云发生器和逆向云发生器，分别用来生成足够的云滴和计算云数字特征（Ex， En，He）。
正向云发生器：
1.生成以En为期望，以He^2为方差的正态随机数En’。
2.生成与Ex为期望，以En‘^2为方差的正态随机数x。
3.计算隶属度也就是确定是 u=exp（-（x - Ex）^2 / 2*En‘^2）,则（x， u）便是相对于论域U的一个云滴。这里选择常用的“钟型”函数u=exp（-（x - a）^2 / 2*b^2）为隶属度函数。
4. 重复生成123步骤直到生成足够的云滴
逆向云发生器
1.计算样本均值X和方差S^2
2.Ex = X
3.En = S^2
4. He = sqrt(S^2 - En^2)
单个云图生成
clear;
clc;
N=3000;
Ex=0.9031 ;
En=0.0946 ;
He=0.0616 ;
CloudDrp = zeros(2,N);
for i=1:N
E_n = normrnd(En,He,1,1); %随机生成一个一行一列的以En为期望，以He为标准差的正态分布的数，这个数就是下一个正态分布的标准差
CloudDrp(1,i) = normrnd(Ex,E_n,1,1); %生成横坐标，也就是云滴的取值
CloudDrp(2,i) = exp(-(CloudDrp(1,i)-Ex)^2/(2*E_n^2));%钟形隶属度函数，得到纵坐标，隶属度
end
plot(CloudDrp(1,:),CloudDrp(2,:),'.')结果如下图所示，使用时修改三个特征数值即可。
多个云图在一张图中呈现
clear;
N=3000;
Ex1=0.9031 ;
En1=0.0946 ;
He1=0.0616 ;
Ex2=0.3961 ;
En2=0.2515 ;
He2=0.0328 ;
Ex3=0.1524 ;
En3=0.1524 ;
He3=0.1524 ;
CloudDrp=zeros(2,N);
for i=1:N
E_n1=normrnd(En1,He1,1,1);
E_n2=normrnd(En2,He2,1,1);
E_n3=normrnd(En3,He3,1,1);
CloudDrp(1,i) = normrnd(Ex1,E_n1,1,1);
CloudDrp(2,i) = exp(-(CloudDrp(1,i)-Ex1)^2/(2*E_n1^2));
CloudDrp(3,i) = normrnd(Ex2,E_n2,1,1);
CloudDrp(4,i) = exp(-(CloudDrp(3,i)-Ex2)^2/(2*E_n2^2));
CloudDrp(5,i) = normrnd(Ex3,E_n3,1,1);
CloudDrp(6,i) = exp(-(CloudDrp(5,i)-Ex3)^2/(2*E_n3^2));
end
plot(CloudDrp(1,:),CloudDrp(2,:),'.')
hold on
plot(CloudDrp(3,:),CloudDrp(4,:),'.')
hold on
plot(CloudDrp(5,:),CloudDrp(6,:),'.')这里举三个样本为例
