matlab kfcm,聚类——KFCM的matlab程序

聚类——KFCM的matlab程序

在聚类——KFCM文章中已介绍了KFCM-F算法的理论知识，现在用matlab进行实现,下面这个例子是用FCM初始化聚类中心，也可以随机初始化聚类中心。

1.matlab程序

KFCM_main.m

%function [ave_acc_KFCM,max_acc_KFCM,min_acc_KFCM,ave_iter_KFCM,ave_run_time]=KFCM_main(X,real_label,K)

function [ave_acc_KFCM,max_acc_KFCM,min_acc_KFCM,ave_iter_FCM,ave_iter_KFCM,ave_run_time]=KFCM_main(X,real_label,K)

%输入K:聚的类，real_label：真实的标签，X：数据集

%输出ave_acc_KFCM：迭代max_iter次之后的平均准确度,iter:实际KFCM迭代次数

t0=cputime;

max_iter=20;

s_1=0;

s_2=0;

s_3=0;

accuracy=zeros(max_iter,1);

iter_KFCM_t=zeros(max_iter,1);

iter_FCM_t=zeros(max_iter,1);

%对data做最大-最小归一化处理

% [data_num,~]=size(data);

% X=(data-ones(data_num,1)*min(data))./(ones(data_num,1)*(max(data)-min(data)));

for i=1:max_iter

%[label,iter_KFCM]=My_KFCM(X,K);

[label,iter_KFCM,~,iter_FCM]=My_KFCM(X,K);

iter_KFCM_t(i)=iter_KFCM;

iter_FCM_t(i)=iter_FCM;

accuracy(i)=succeed(real_label,K,label);

s_1=s_1+accuracy(i);

s_2=s_2+iter_KFCM_t(i);

s_3=s_3+iter_FCM_t(i);

%fprintf('第 %2d 次，KFCM的迭代次数为：%2d，准确度为：%.8f\n', i, iter_KFCM_t(i), accuracy(i));

fprintf('第 %2d 次，FCM的迭代次数为：%2d，KFCM的迭代次数为：%2d，准确度为：%.8f\n', i, iter_FCM_t(i), iter_KFCM_t(i), accuracy(i));

end

ave_iter_FCM=s_3/max_iter;

ave_iter_KFCM=s_2/max_iter;

ave_acc_KFCM=s_1/max_iter;

max_acc_KFCM=max(accuracy);

min_acc_KFCM=min(accuracy);

run_time=cputime-t0;

ave_run_time=run_time/max_iter;

My_KFCM.m

%function [label, iter_KFCM, para_miu]=My_KFCM(X,K)

function [label, iter_KFCM, para_miu,iter_FCM]=My_KFCM(X,K)

%输入K：聚类数，X：数据集

%输出：label:聚的类, para_miu:模糊聚类中心μ，iter_KFCM：KFCM迭代次数

format long

eps=1e-4; %定义迭代终止条件的eps

alpha=2; %模糊加权指数，[1,+无穷)

T=100; %最大迭代次数

%sigma_2=2^(-4); %高斯核函数的参数sigma^2

sigma_2=150; %高斯核函数的参数sigma^2

[X_num,X_dim]=size(X);

fitness=zeros(X_num,1); %目标函数

responsivity=zeros(X_num,K); %隶属函数

R_up=zeros(X_num,K); %隶属函数的分子部分

count=zeros(X_num,1); %统计distant中每一行为0的个数

%随机初始化K个聚类中心

% [X_num,~]=size(X);

% rand_array=randperm(X_num); %产生1~X_num之间整数的随机排列

% para_miu=X(rand_array(1:K),:); %随机排列取前K个数，在X矩阵中取这K行作为初始聚类中心

%用FCM初始聚类中心

[~,para_miu,iter_FCM]=My_FCM(X,K);

% KFCM算法

for t=1:T

%欧氏距离，计算(X-para_miu)^2=X^2+para_miu^2-2*para_miu*X'，矩阵大小为X_num*K

distant=(sum(X.*X,2))*ones(1,K)+ones(X_num,1)*(sum(para_miu.*para_miu,2))'-2*X*para_miu';

%高斯核函数，X_num*K的矩阵

kernel_fun=exp((-distant)./(sigma_2));

%更新隶属度矩阵X_num*K

for i=1:X_num

count(i)=sum(kernel_fun(i,:)==1);

if count(i)>0

for k=1:K

if kernel_fun(i,k)==1

responsivity(i,k)=1./count(i);

else

responsivity(i,k)=0;

end

end

else

R_up(i,:)=(1-kernel_fun(i,:)).^(-1/(alpha-1)); %隶属度矩阵的分子部分

responsivity(i,:)= R_up(i,:)./sum( R_up(i,:),2);

end

end

%目标函数值

fitness(t)=2*sum(sum((ones(X_num,K)-kernel_fun).*(responsivity.^(alpha))));

%更新聚类中心K*X_dim

miu_up=(kernel_fun.*(responsivity.^(alpha)))'*X; %μ的分子部分

para_miu=miu_up./(sum(kernel_fun.*(responsivity.^(alpha)))'*ones(1,X_dim));

if t>1

if abs(fitness(t)-fitness(t-1))

break;

end

end

end

iter_KFCM=t; %实际迭代次数

[~,label]=max(responsivity,[],2);

2.在UCI数据库的iris上的运行结果

>> [ave_acc_KFCM,max_acc_KFCM,min_acc_KFCM,ave_iter_FCM,ave_iter_KFCM,ave_run_time]=KFCM_main(data,real_label,3)

第 1 次，FCM的迭代次数为：12，KFCM的迭代次数为： 2，准确度为：0.89333333

第 2 次，FCM的迭代次数为：12，KFCM的迭代次数为： 2，准确度为：0.89333333

第 3 次，FCM的迭代次数为：18，KFCM的迭代次数为： 2，准确度为：0.89333333

第 4 次，FCM的迭代次数为：12，KFCM的迭代次数为： 2，准确度为：0.89333333

第 5 次，FCM的迭代次数为：14，KFCM的迭代次数为： 2，准确度为：0.89333333

第 6 次，FCM的迭代次数为：27，KFCM的迭代次数为： 2，准确度为：0.89333333

第 7 次，FCM的迭代次数为：15，KFCM的迭代次数为： 2，准确度为：0.89333333

第 8 次，FCM的迭代次数为：20，KFCM的迭代次数为： 2，准确度为：0.89333333

第 9 次，FCM的迭代次数为：13，KFCM的迭代次数为： 2，准确度为：0.89333333

第 10 次，FCM的迭代次数为：16，KFCM的迭代次数为： 2，准确度为：0.89333333

第 11 次，FCM的迭代次数为：15，KFCM的迭代次数为： 2，准确度为：0.89333333

第 12 次，FCM的迭代次数为：10，KFCM的迭代次数为： 2，准确度为：0.89333333

第 13 次，FCM的迭代次数为：24，KFCM的迭代次数为： 2，准确度为：0.89333333

第 14 次，FCM的迭代次数为：19，KFCM的迭代次数为： 2，准确度为：0.89333333

第 15 次，FCM的迭代次数为：10，KFCM的迭代次数为： 2，准确度为：0.89333333

第 16 次，FCM的迭代次数为：16，KFCM的迭代次数为： 2，准确度为：0.89333333

第 17 次，FCM的迭代次数为：15，KFCM的迭代次数为： 2，准确度为：0.89333333

第 18 次，FCM的迭代次数为：27，KFCM的迭代次数为： 2，准确度为：0.89333333

第 19 次，FCM的迭代次数为：15，KFCM的迭代次数为： 2，准确度为：0.89333333

第 20 次，FCM的迭代次数为：12，KFCM的迭代次数为： 2，准确度为：0.89333333

ave_acc_KFCM =

0.893333333333333

max_acc_KFCM =

0.893333333333333

min_acc_KFCM =

0.893333333333333

ave_iter_FCM =

16.100000000000001

ave_iter_KFCM =

2

ave_run_time =

0.028125000000000