FCM-模糊C均值聚类算法简介及C++实现代码

        模糊C均值聚类（FCM，Fuzzy C Means）算法是基于模糊理论的一种软聚类算法。相对于K-Means算法的硬聚类，FCM提供了更加灵活的聚类结果。在很多情况下，数据集中的对象不能划分成为明显分离的簇，这时使用K-Means为每一个对象指定一个特定的簇，就可能出现问题。FCM定义了隶属度的概念，用于衡量某个对象对各个簇的隶属程度。因此，在模糊的数据集中使用FCM算法可以得到更好的结果。

一、算法流程图：

二、关键步骤的计算

聚类损失函数：

        其中 Xj 为聚类的数据点，Zi为聚类中心。

隶属度计算函数：

        对于单个样本，它对各个簇的隶属度之和等于1。

聚类中心更新函数：

迭代终止条件：

        其中k是迭代步数， 是误差阈值。上式含义是，继续迭代下去，隶属程度也不会发生较大的变化。即认为隶属度不变了，已经达到比较优（局部最优或全局最优）状态了其中k是迭代步数， 是误差阈值。上式含义是，继续迭代下去，隶属程度也不会发生较大的变化。即认为隶属度不变了，已经达到比较优（局部最优或全局最优）状态了。

三、C++代码

/*
* data中存储了待聚类数据，代码中data为一维数组，可根据需要改为多维数组；
* size是data的大小；
* centerNum是聚类中心的数量；
* u是隶属度矩阵，由外部代码传入指针便于在外部访问。
*/
int* FCM(int size, int* data, int centerNum ,double** u) {
	if (centerNum < 2) { //当聚类中心数小于2时，不需要进行聚类
		return NULL;
	}
	
	for (int i = 0; i < centerNum; i++) {
		u[i] = new double[size+ 1]{ 0 };
	}

	int* center = new int[centerNum]; //聚类中心
	for (int i = 0; i < centerNum; i++)
		center[i] = ((double)(i + 1) / (double)(centerNum + 1)) * size;
	
	int count = 0;
	while (count < 10) {//终止条件可根据数据特点设置
		for (int i = 1; i <= size; i++) {
			for (int j = 0; j < centerNum; j++) {
				double ud = 0;
				for (int k = 0; k < centerNum; k++) {
					ud += pow(((double)abs(i - center[j]) / (double)abs(i - center[k])), 2);
				}
				u[j][i] = 1.0 / ud;
				cout << "u " << j << "," << i << " :" << u[j][i] << endl;
			}
		}
		for (int i = 0; i < centerNum; i++) {
			unsigned long a = 0;
			unsigned long b = 0;
			for (int j = 1; j <= size; j++) {
				a = a + (unsigned long)(u[i][j] * (double)data[j]);
				b = b + (unsigned long)(u[i][j] * (double)j * (double)data[j]);
			}
			center[i] = (int)(b / a);
		}
		count++;
	}
	
	return center;
}