matlab 模糊c均值算法,模糊c均值算法matlab程序

导航：网站首页 >

模糊c均值算法matlab程序

时间：2019-12-21

模糊c均值算法matlab程序

相关问题:

匿名网友:

function [center,U,obj_fcn] = FCMClust(data,cluster_n,options)

% FCMClust.m 采用模糊C均值对数据集data聚为cluster_n类

%

% 用法：

% 1.[center,U,obj_fcn] = FCMClust(Data,N_cluster,options);

% 2.[center,U,obj_fcn] = FCMClust(Data,N_cluster);

%

% 输入：

% data ---- nxm矩阵,表示n个样本,每个样本具有m的维特征值

% N_cluster ---- 标量,表示聚合中心数目,即类别数

% options ---- 4x1矩阵,其中

% options(1):隶属度矩阵U的指数,>1 (缺省值:2.0)

% options(2):最大迭代次数 (缺省值:100)

% options(3):隶属度最小变化量,迭代终止条件 (缺省值:1e-5)

% options(4):每次迭代是否输出信息标志 (缺省值:1)

% 输出：

% center ---- 聚类中心

% U ---- 隶属度矩阵

% obj_fcn ---- 目标函数值

% Example:

% data = rand(100,2);

% [center,U,obj_fcn] = FCMClust(data,2);

% 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),'marker','*','color','g');

% line(data(index2,1),data(index2,2),'marker','*','color','r');

% plot([center([1 2],1)],[center([1 2],2)],'*','color','k')

% hold off;

if nargin = 2 & nargin = 3,%判断输入参数个数只能是2个或3个

error('Too many or too few input arguments!');

end

data_n = size(data,1); % 求出data的第一维(rows)数,即样本个数

in_n = size(data,2); % 求出data的第二维(columns)数,即特征值长度

% 默认操作参数

default_options = [2; % 隶属度矩阵U的指数

100; % 最大迭代次数

1e-5; % 隶属度最小变化量,迭代终止条件

1]; % 每次迭代是否输出信息标志

if nargin == 2,

options = default_options;

else %分析有options做参数时候的情况

% 如果输入参数个数是二那么就调用默认的option;

if length(options) < 4,%如果用户给的opition数少于4个那么其他用默认值;

tmp = default_options;

tmp(1:length(options)) = options;

options = tmp;

end

% 返回options中是数的值为0(如NaN),不是数时为1

nan_index = find(isnan(options)==1);

%将denfault_options中对应位置的参数赋值给options中不是数的位置.

options(nan_index) = default_options(nan_index);

if options(1) 1,

if abs(obj_fcn(i) - obj_fcn(i-1)) < min_impro,

break;

end,

end

end

iter_n = i; % 实际迭代次数

obj_fcn(iter_n+1:max_iter) = [];

% 子函数

function U = initfcm(cluster_n,data_n)

% 初始化fcm的隶属度函数矩阵

% 输入:

% cluster_n ---- 聚类中心个数

% data_n ---- 样本点数

% 输出：

% U ---- 初始化的隶属度矩阵

U = rand(cluster_n,data_n);

col_sum = sum(U);

U = U./col_sum(ones(cluster_n,1),:);

% 子函数

function [U_new,center,obj_fcn] = stepfcm(data,U,cluster_n,expo)

% 模糊C均值聚类时迭代的一步

% 输入：

% data ---- nxm矩阵,表示n个样本,每个样本具有m的维特征值

% U ---- 隶属度矩阵

% cluster_n ---- 标量,表示聚合中心数目,即类别数

% expo ---- 隶属度矩阵U的指数

% 输出：

% U_new ---- 迭代计算出的新的隶属度矩阵

% center ---- 迭代计算出的新的聚类中心

% obj_fcn ---- 目标函数值

mf = U.^expo; % 隶属度矩阵进行指数运算结果

center = mf*data./((ones(size(data,2),1)*sum(mf'))'); % 新聚类中心(5.4)式

dist = distfcm(center,data); % 计算距离矩阵

obj_fcn = sum(sum((dist.^2).*mf)); % 计算目标函数值 (5.1)式

tmp = dist.^(-2/(expo-1));

U_new = tmp./(ones(cluster_n,1)*sum(tmp)); % 计算新的隶属度矩阵 (5.3)式

% 子函数

function out = distfcm(center,data)

% 计算样本点距离聚类中心的距离

% 输入：

% center ---- 聚类中心

% data ---- 样本点

% 输出：

% out ---- 距离

out = zeros(size(center,1),size(data,1));

for k = 1:size(center,1),% 对每一个聚类中心

% 每一次循环求得所有样本点到一个聚类中心的距离

out(k,:) = sqrt(sum(((data-ones(size(data,1),1)*center(k,:)).^2)',1));

end

大家还关注:

问题推荐