【matlab】FCM函数用法和解释

在MATLAB中，FCM（Fuzzy C-Means）是一种模糊聚类算法，用于将数据分组。MATLAB提供了fcm函数来执行FCM聚类。

fcm函数的基本语法

[centers, U, objFcn] = fcm(data, cluster_n, exponent, options);

参数说明：

data：输入数据，是一个n-by-p矩阵，其中n是观测值的数量，p是特征的数量。
cluster_n：要生成的聚类数。
exponent：模糊度指数，通常设置为2。较高的值将增加聚类的模糊性。
options：可选参数，可以包含以下字段：
max_iter：最大迭代次数，默认为100。
min_improve：最小改进值，默认为1e-5。如果连续两次迭代之间的目标函数改进小于此值，则算法将停止。
init：初始化方法，默认为’cluster’，表示使用k-means算法进行初始化。还可以使用’rand’从随机值初始化聚类中心。
display：显示选项，默认为’iter’，表示在每次迭代时显示目标函数值。还可以使用’off’关闭显示。

返回值说明：

centers：聚类中心，是一个k-by-p矩阵，其中k是生成的聚类数，p是特征的数量。
U：隶属度矩阵，是一个n-by-k矩阵，其中n是观测值的数量，k是生成的聚类数。每个元素表示相应观测值属于相应聚类的隶属度。
objFcn：目标函数值，是一个包含每次迭代的目标函数值的向量。
下面是一个使用FCM算法对数据进行聚类的示例：

代码示例

>% 生成示例数据  
data = [randn(100,2)*0.5+ones(100,2);...  
        randn(100,2)*0.5-ones(100,2)];  
% 设置聚类数为2，模糊度指数为2  
cluster_n = 2;  
exponent = 2;  
% 执行FCM聚类  
[centers, U, objFcn] = fcm(data, cluster_n, exponent);  
% 显示聚类结果  
figure;  
plot(data(:,1), data(:,2),'o');  
hold on;  
maxU = max(U);  
index1 = find(U(1,:) == maxU);  
index2 = find(U(2,:) == maxU);  
line(data(index1,1), data(index1,2), 'linestyle','none','marker','o','color','g');  
line(data(index2,1), data(index2,2), 'linestyle','none','marker','x','color','r');  
hold off;