MATLAB 毫米波点云进行模糊c聚类（FCM）处理

无损检测小白白

已于 2024-01-25 23:28:33 修改

阅读量89

点赞数 1

分类专栏： MATLAB 文章标签： matlab 聚类数学建模

于 2023-05-30 20:50:46 首次发布

本文链接：https://blog.csdn.net/qq_42046837/article/details/130956895

版权

MATLAB 专栏收录该内容

4 篇文章 0 订阅

订阅专栏

该文使用模糊c均值聚类算法对包含100个点的7列点云数据进行处理，重点在于前3列的X、Y、Z坐标数据。通过归一化、初始化参数、迭代计算更新隶属度矩阵和聚类中心，实现点云数据的重聚类。最终，基于更新后的隶属度对点云进行三维可视化，展示聚类结果。

摘要由CSDN通过智能技术生成

100行7列点云数据，前三列分别为X,Y,Z,有10个点簇，利用模糊c均值聚类算法计算隶属度，对点云重新聚类，最后画出三维聚类结果。

% 读入数据
load data.mat % 假设点云数据已经存储在data.mat文件中
data = normalize(data(:,1:3)); % 取前三列数据，并归一化处理

% 初始化参数
k = 10; % 聚类数目
m = 2; % 模糊因子
epsilon = 1e-10; % 防止距离为0时出现除数为0的情况

U = rand(100,k); % 初始化隶属度矩阵
U = bsxfun(@rdivide,U,sum(U,2)); % 保证每一行的和为1
C = datasample(data,k,'Replace',false); % 随机选择k个点作为聚类中心向量

% 迭代计算
TOL = 1e-6; % 设定停止条件
maxiter = 100; % 设定最大迭代次数
for iter = 1:maxiter
    % 计算距离
    D = pdist2(data,C).^2 + epsilon; % 采用欧氏距离并添加小正数防止除数为0
    
    % 更新隶属度矩阵U
    U_old = U;
    U = bsxfun(@power,1./D,1/(m-1));
    U = bsxfun(@rdivide,U,sum(U,2));
    
    % 更新聚类中心向量C
    C_old = C;
    C = (U.^m)'*data;
    C = bsxfun(@rdivide,C,sum(U.^m)',2);
    
    % 判断是否达到停止条件
    if norm(C-C_old,'fro')/norm(C_old,'fro') < TOL
        break;
    end
end

% 根据隶属度重新聚类
[~, idx] = max(U, [], 2);

% 可视化结果
figure;
for i = 1:k
    scatter3(X(idx == i, 1), X(idx == i, 2), X(idx == i, 3), '.');
    hold on;
end
grid on;
xlabel('X'); ylabel('Y'); zlabel('Z');
title('Fuzzy C-means Clustering Result');