matlab 模糊c均值聚类,模糊c均值算法matlab程序,k均值聚类算法、c均值聚类算法、模糊的c均值聚类算法的区别...

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, %如果模糊矩阵的指数小于等于1

error('The exponent should be greater than 1!');

end

end

%将options 中的分量分别赋值给四个变量;

expo = options(1); % 隶属度矩阵U的指数

max_iter = options(2); % 最大迭代次数

min_impro = options(3); % 隶属度最小变化量,迭代终止条件

display = options(4); % 每次迭代是否输出信息标志

obj_fcn = zeros(max_iter, 1); % 初始化输出参数obj_fcn

U = initfcm(cluster_n, data_n); % 初始化模糊分配矩阵,使U满足列上相加为1,

% Main loop 主要循环

for i = 1:max_iter,

%在第k步循环中改变聚类中心ceneter,和分配函数U的隶属度值;

[U, center, obj_fcn(i)] = stepfcm(data, U, cluster_n, expo);

if display,

fprintf('FCM:Iteration count = %d, obj. fcn = %f\n', i, obj_fcn(i));

end

% 终止条件判别

if i > 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