FCM.rar_c均值聚类_fcm_fcm matlab_fcm数据_模糊C均值算法 matlab

function[center,U,obj_fun]=FCMCluster(data,n,options) %采用模糊C均值将数据集data分为n类 %用法 % 1 [center,U,obj_fcn]=FCMCluster(data,n,options);带操作参数 % 2 [center,U,obj_fcn]=FCMCluster(data,n);不带操作参数 %输入 % data n*m矩阵，n个样本数，每个样本的维度为m % n 类别数 % options 4*1 矩阵 % options(1):隶属度矩阵U的加权指数 % options(2):最大迭代次数 % options(3):隶属度最小变化量，迭代终止条件 % options(4):每次迭代是否输出信息标志 %输出 % center 聚类中心 % U 隶属度矩阵 % obj_fun 目标函数值 if nargin~=2 && nargin~=3 %nargin，判断函数的输入项个数 error('Too many or too few input arguments'); end data_n=size(data,1); in_n=size(data,2); %默认参数options default_options=[2;100;1e-5;1]; %参数配置 %如果只输入前两个参数，选用默认的参数;如果参数个数小于4，其他选用默认参数 if nargin==2 options=default_options; else if length(options)<4 tmp=default_options; tmp(1:length(options))=options; options=tmp; end %看一下options中是否存在NaN，有的话自动变回相应默认参数 nan_index=find(isnan(options)==1);%isnan:判断值是否是NaN，是的话返回1；不是返回0 options(nan_index)=default_options(nan_index); if options(1)<=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的加权指数 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_fun=zeros(max_iter,1); %初始化模糊分配矩阵,定义在下方 U=initfcm(n,data_n); %主程序 for i=1:max_iter [U,center,obj_fun(i)]=stepfcm(data,U,n,expo);%stepfcm,子函数，见下方 if display %display函数，命令窗输出函数 fprintf('FCM:Iteration count=%d,obj_fun=%f\n',i,obj_fun(i)); end %终止条件判别 if i>1 if abs(obj_fun(i)-obj_fun(i-1))<min_impro break; end end end iter_n=i; obj_fun(iter_n+1:max_iter)=[]; % end %%子函数 模糊矩阵初始化 function U= initfcm(n,data_n) U=rand(n,data_n); col_sum=sum(U); U=U./col_sum(ones(n,1),:); end %%子函数 逐步聚类 function [U_new,center,obj_fun]=stepfcm(data,U,n,expo) mf=U.^expo;%点成，按位做expo次方 center=mf*data./((ones(size(data,2),1)*sum(mf'))');%新的聚类中心 dist=distfcm(center,data); obj_fun=sum(sum((dist.^2).*mf));%目标函数 tmp=dist.^(-2/(expo-1)); U_new=tmp./(ones(n,1)*sum(tmp));%新的隶属度矩阵 end %%子函数 计算距离 function out=distfcm(center,data) out=zeros(size(center,1),size(data,1)); for k=1:size(center,1) out(k,:)=sqrt(sum(((data-ones(size(data,1),1)*center(k,:)).^2)',1)); end end