Matlab 使用feval未定义函数或变量时出错'；Sfun&x27；

我一直使用R，所以我对Matlab很陌生，遇到了一些疑难解答问题。我正在为张量分解方法运行一些代码（可在此处找到：）。首先，我尝试运行演示代码，该代码生成运行该方法所需的模拟数据，导致以下错误：

使用feval时出错 未定义的函数或变量“Sfun”

OptStiefelGBB中的错误（第199行） [F，G]=feval（fun，X，varargin{：}）；out.nfe=1

tbne_demo>tbne_fun中出错（第124行） S、 @Sfun，opts，B，P，X，L，D，W，Y，alpha，beta）

下面是我正在运行的代码块：

    clear
    clc

    addpath(genpath('./tensor_toolbox'));
addpath(genpath('./FOptM'));
rng(5489, 'twister');

m = 10;
n = 10;
k = 10; % rank for tensor
[X, Z, Y] = tBNE_data(m, n, k); % generate the tensor, guidance and label

[T, W] = tBNE_fun(X, Z, Y, k);

[~, y1] = max(Y, [], 2);
[~, y2] = max(T{3} * W, [], 2);
fprintf('accuracy %3.2e\n', sum(y1 == y2) / n);
function [X, Z, Y] = tBNE_data(m, n, k)
    B = randn(m, k);
    S = randn(n, k);
    A = {B, B, S};
    X = ktensor(A);

    Z = randn(n, 4);

    Y = zeros(n, 2);
    l = ceil(n / 2);
    Y(1 : l, 1) = 1;
    Y(l + 1 : end, 2) = 1;

    X = tensor(X);
end
function [T, W] = tBNE_fun(X, Z, Y, k)
% t-BNE computes brain network embedding based on constrained tensor factorization
%
% INPUT
% X: brain networks stacked in a 3-way tensor
% Z: side information
% Y: label information
% k: rank of CP factorization
%
% OUTPUT
% T is the factor tensor containing
%   vertex factor matrix B = T{1} and
%   subject factor matrix S = T{3}
% W is the weight matrix
%
% Example: see tBNE_demo.m
%
% Reference:
% Bokai Cao, Lifang He, Xiaokai Wei, Mengqi Xing, Philip S. Yu, 
% Heide Klumpp and Alex D. Leow. t-BNE: Tensor-based Brain Network Embedding.
% In SDM 2017.
%
% Dependency:
% [1] Matlab tensor toolbox v 2.6
% Brett W. Bader, Tamara G. Kolda and others
% http://www.sandia.gov/~tgkolda/TensorToolbox 
% [2] A feasible method for optimization with orthogonality constraints
% Zaiwen Wen and Wotao Yin
% http://www.math.ucla.edu/~wotaoyin/papers/feasible_method_matrix_manifold.html

    %% set algorithm parameters
    printitn = 10;
    maxiter = 200;
    fitchangetol = 1e-4;

    alpha = 0.1; % weight for guidance
    beta = 0.1; % weight for classification loss
    gamma = 0.1; % weight for regularization

    u = 1e-6;
    umax = 1e6;
    rho = 1.15;

    opts.record = 0;
    opts.mxitr = 20;
    opts.xtol = 1e-5;
    opts.gtol = 1e-5;
    opts.ftol = 1e-8;

    %% compute statistics
    dim = size(X);
    normX = norm(X);
    numClass = size(Y, 2);
    m = dim(1);
    n = dim(3);
    l = size(Y, 1);
    D = [eye(l), zeros(l, n - l)];
    L = diag(sum(Z * Z')) - Z * Z';

    %% initialization
    B = randn(m, k);
    P = B;
    S = randn(n, k);
    S = orth(S);
    W = randn(k, numClass);
    U = zeros(m, k); % Lagrange multipliers

    %% main loop
    fit = 0;
    for iter = 1 : maxiter
        fitold = fit;
        % update B
        ete = (S' * S) .* (P' * P); % compute E'E
        b = 2 * ete + u * eye(k);
        c = 2 * mttkrp(X, {B, P, S}, 1) + u * P + U;
        B = c / b;

        % update P
        ftf = (S' * S) .* (B' * B); % compute F'F
        b = 2 * ftf + u * eye(k);
        c = 2 * mttkrp(X, {B, P, S}, 2) + u * B - U;
        P = c / b;

        % update U
        U = U + u * (P - B);

        % update u
        u = min(rho * u, umax);

        % update S
        tic;
        [S, out] = OptStiefelGBB(...
            S, @Sfun, opts, B, P, X, L, D, W, Y, alpha, beta);
        tsolve = toc;
        fprintf(...
            ['[S]: obj val %7.6e, cpu %f, #func eval %d, ', ...
            'itr %d, |ST*S-I| %3.2e\n'], ...
            out.fval, tsolve, out.nfe, out.itr, norm(S' * S - eye(k), 'fro'));

        % update W
        H = D * S;
        W = (H' * H + gamma * eye(k)) \ H' * Y;

        % compute the fit
        T = ktensor({B, P, S});
        normresidual = sqrt(normX ^ 2 + norm(T) ^ 2 - 2 * innerprod(X, T));
        fit = 1 - (normresidual / normX);
        fitchange = abs(fitold - fit);

        if mod(iter, printitn) == 0
            fprintf(' Iter %2d: fitdelta = %7.1e\n', iter, fitchange);
        end

        % check for convergence
        if (iter > 1) && (fitchange < fitchangetol)
            break;
        end
    end

    %% clean up final results
    T = arrange(T); % columns are normalized

    fprintf('factorization error %3.2e\n', fit);
end

清除
clc
addpath（genpath（'./tensor_工具箱'）；
addpath（genpath（'./FOptM'））；
rng（5489，“捻线机”）；
m=10；
n=10；
k=10；%张量秩
[X，Z，Y]=tBNE_数据（m，n，k）；%生成张量、引导和标签
[T，W]=tBNE_-fun（X，Z，Y，k）；
[~，y1]=max（Y，[]，2）；
[~，y2]=max（T{3}*W，[]，2）；
fprintf（'精度%3.2e\n'，和（y1==y2）/n）；
函数[X，Z，Y]=tBNE_数据（m，n，k）
B=随机数n（m，k）；
S=randn（n，k）；
A={B，B，S}；
X=K传感器（A）；
Z=randn（n，4）；
Y=零（n，2）；
l=ceil（n/2）；
Y（1:l，1）=1；
Y（l+1：结束，2）=1；
X=张量（X）；
终止
函数[T，W]=tBNE_-fun（X，Z，Y，k）
%基于约束张量分解的t-BNE计算脑网络嵌入
%
%输入
%X：以三向张量叠加的大脑网络
%Z：旁白
%Y：标签信息
%k:CP因子分解的秩
%
%输出
%T是因子张量
%顶点因子矩阵B=T{1}和
%主题因子矩阵S=T{3}
%W是权重矩阵
%
%示例：参见tBNE_demo.m
%
%参考：
%曹伯凯、何立芳、魏小凯、邢孟琦、余世杰、，
%海德·克伦普和亚历克斯·莱奥。t-BNE：基于张量的脑网络嵌入。
%2017年可持续发展目标。
%
%依赖关系：
%[1]Matlab张量工具箱v 2.6
%Brett W.Bader、Tamara G.Kolda等人
% http://www.sandia.gov/~tgkolda/TensorToolbox
%[2]正交约束优化的一种可行方法
%温在文与尹沃涛
% http://www.math.ucla.edu/~wotaoyin/papers/approval_method_matrix_manifolm.html
%%设置算法参数
printitn=10；
maxiter=200；
fitchangetol=1e-4；
α=0.1；%指导权
β=0.1；%分类损失权重
伽马=0.1；%正则化权重
u=1e-6；
umax=1e6；
rho=1.15；
opts.record=0；
opts.mxitr=20；
opts.xtol=1e-5；
opts.gtol=1e-5；
opts.ftol=1e-8；
%%计算统计数据
尺寸=尺寸（X）；
normX=norm（X）；
numClass=大小（Y，2）；
m=dim（1）；
n=dim（3）；
l=尺寸（Y，1）；
D=[眼睛（l），零（l，n-l）]；
L=diag（和（Z*Z'））-Z*Z'；
%%初始化
B=随机数n（m，k）；
P=B；
S=randn（n，k）；
S=ORH（S）；
W=randn（k，numClass）；
U=零（m，k）；%拉格朗日乘数
%%主回路
拟合=0；
对于iter=1:maxiter
fitold=适合；
%更新B
ete=（S'*S）。*（P'*P）；%计算E'E
b=2*ete+u*eye（k）；
c=2*mttkrp（X，{B，P，S}，1）+u*P+u；
B=c/B；
%更新P
ftf=（S'*S）。*（B'*B）；%计算F'F
b=2*ftf+u*eye（k）；
c=2*mttkrp（X，{B，P，S}，2）+u*B-u；
P=c/b；
%更新U
U=U+U*（P-B）；
%更新u
u=最小值（rho*u，umax）；
%更新
抽搐；
[S，out]=OptStiefelGBB（。。。
S、 @Sfun，opts，B，P，X，L，D，W，Y，alpha，beta）；
tsolve=toc；
fprintf（。。。
['[S]：对象值%7.6e，cpu%f，#函数值%d。。。
'itr%d，| ST*S-I |%3.2e\n']。。。
out.fval，tsolve，out.nfe，out.itr，norm（S'*S-eye（k），'fro'）；
%更新W
H=D*S；
W=（H'*H+伽马*眼（k））\H'*Y；
%计算拟合
T=k传感器（{B，P，S}）；
norm残差=sqrt（normX^2+norm（T）^2-2*innerprod（X，T））；
拟合=1-（正常剩余/正常x）；
fitchange=abs（fitold-fit）；
如果mod（iter，printitn）==0
fprintf（'Iter%2d:fitdelta=%7.1e\n'，Iter，fitchange）；
终止
%检查收敛性
如果（iter>1）和（fitchange

我知道这里没有什么上下文，但我怀疑我需要Simulink，因为Sfun是一个与Simulink相关的函数（？）。该脚本需要两个工具箱：tensor_工具箱和FOptM

网址：

非常感谢你的帮助

---

Paul

虽然

SFun

是Simulink S函数的常用缩写，但在这种情况下，错误与Simulink无关，名称是巧合。（没有专门称为

Sfun

的Simulink相关函数，它只是一个通用术语。）

您的错误消息中包含

@Sfun

，这是在MATLAB中创建

函数句柄

到名为

Sfun

的（m-code）函数的一种方法。我将从您展示的代码中总结，这是优化中使用的成本函数

---

如果查看代码所基于的代码（），您将看到文件末尾有一个名为

Sfun

的函数。你错过的就是这个。

哇，我真烂。非常感谢你。