模糊c均值聚类+FCM算法的MATLAB代码教案资料.docx

模糊c均值聚类+FCM算法的MATLAB代码教案资料.docx

《模糊c均值聚类+FCM算法的MATLAB代码教案资料.docx》由会员分享，可在线阅读，更多相关《模糊c均值聚类+FCM算法的MATLAB代码教案资料.docx（13页珍藏版）》请在冰豆网上搜索。

模糊c均值聚类+FCM算法的MATLAB代码教案资料

模糊c均值聚类+FCM算法的MATLAB代码

模糊c均值聚类FCM算法的MATLAB代码

我做毕业论文时需要模糊C-均值聚类，找了好长时间才找到这个，分享给大家：

FCM算法的两种迭代形式的MATLAB代码写于下,也许有的同学会用得着:

m文件1/7:

function[U,P,Dist,Cluster_Res,Obj_Fcn,iter]=fuzzycm（Data,C,plotflag,M,epsm）

%模糊C均值聚类FCM:

从随机初始化划分矩阵开始迭代

%[U,P,Dist,Cluster_Res,Obj_Fcn,iter]=fuzzycm（Data,C,plotflag,M,epsm）

%输入:

%Data:

N×S型矩阵,聚类的原始数据,即一组有限的观测样本集,

%Data的每一行为一个观测样本的特征矢量,S为特征矢量

%的维数,N为样本点的个数

%C:

聚类数,1

%plotflag:

聚类结果2D/3D绘图标记,0表示不绘图,为缺省值

%M:

加权指数,缺省值为2

%epsm:

FCM算法的迭代停止阈值,缺省值为1.0e-6

%输出:

%U:

C×N型矩阵,FCM的划分矩阵

%P:

C×S型矩阵,FCM的聚类中心,每一行对应一个聚类原型

%Dist:

C×N型矩阵,FCM各聚类中心到各样本点的距离,聚类中

%心i到样本点j的距离为Dist（i,j）

%Cluster_Res:

聚类结果,共C行,每一行对应一类

%Obj_Fcn:

目标函数值

%iter:

FCM算法迭代次数

%Seealso:

fuzzydistmaxrowffcmplot

ifnargin<5

epsm=1.0e-6;

end

ifnargin<4

M=2;

end

ifnargin<3

plotflag=0;

end

[N,S]=size（Data）;m=2/（M-1）;iter=0;

Dist（C,N）=0;U（C,N）=0;P（C,S）=0;

%随机初始化划分矩阵

U0=rand（C,N）;

U0=U0./（ones（C,1）*sum（U0））;

%FCM的迭代算法

whiletrue

%迭代计数器

iter=iter+1;

%计算或更新聚类中心P

Um=U0.^M;

P=Um*Data./（ones（S,1）*sum（Um'））';

%更新划分矩阵U

fori=1:

C

forj=1:

N

Dist（i,j）=fuzzydist（P（i,:

）,Data（j,:

））;

end

end

U=1./（Dist.^m.*（ones（C,1）*sum（Dist.^（-m））））;

%目标函数值:

类内加权平方误差和

ifnargout>4|plotflag

Obj_Fcn（iter）=sum（sum（Um.*Dist.^2））;

end

%FCM算法迭代停止条件

ifnorm（U-U0,Inf）

break

end

U0=U;

end

%聚类结果

ifnargout>3

res=maxrowf（U）;

forc=1:

C

v=find（res==c）;

Cluster_Res（c,1:

length（v））=v;

end

end

%绘图

ifplotflag

fcmplot（Data,U,P,Obj_Fcn）;

end

m文件2/7:

function[U,P,Dist,Cluster_Res,Obj_Fcn,iter]=fuzzycm2（Data,P0,plotflag,M,epsm）

%模糊C均值聚类FCM:

从指定初始聚类中心开始迭代

%[U,P,Dist,Cluster_Res,Obj_Fcn,iter]=fuzzycm2（Data,P0,plotflag,M,epsm）

%输入:

Data,plotflag,M,epsm:

见fuzzycm.m

%P0:

初始聚类中心

%输出:

U,P,Dist,Cluster_Res,Obj_Fcn,iter:

见fuzzycm.m

%Seealso:

fuzzycm

ifnargin<5

epsm=1.0e-6;

end

ifnargin<4

M=2;

end

ifnargin<3

plotflag=0;

end

[N,S]=size（Data）;m=2/（M-1）;iter=0;

C=size（P0,1）;Dist（C,N）=0;U（C,N）=0;P（C,S）=0;

%FCM的迭代算法

whiletrue

%迭代计数器

iter=iter+1;

%计算或更新划分矩阵U

fori=1:

C

forj=1:

N

Dist（i,j）=fuzzydist（P0（i,:

）,Data（j,:

））;

end

end

U=1./（Dist.^m.*（ones（C,1）*sum（Dist.^（-m））））;

%更新聚类中心P

Um=U.^M;

P=Um*Data./（ones（S,1）*sum（Um'））';

%目标函数值:

类内加权平方误差和

ifnargout>4|plotflag

Obj_Fcn（iter）=sum（sum（Um.*Dist.^2））;

end

%FCM算法迭代停止条件

ifnorm（P-P0,Inf）

break

end

P0=P;

end

%聚类结果

ifnargout>3

res=maxrowf（U）;

forc=1:

C

v=find（res==c）;

Cluster_Res（c,1:

length（v））=v;

end

end

%绘图

ifplotflag

fcmplot（Data,U,P,Obj_Fcn）;

end

m文件3/7:

functionfcmplot（Data,U,P,Obj_Fcn）

%FCM结果绘图函数

%Seealso:

fuzzycmmaxrowfellipse

[C,S]=size（P）;res=maxrowf（U）;

str='po*x+d^v><.h';

%目标函数绘图

figure

（1）,plot（Obj_Fcn）

title（'目标函数值变化曲线','fontsize',8）

%2D绘图

ifS==2

figure

（2）,plot（P（:

1）,P（:

2）,'rs'）,holdon

fori=1:

C

v=Data（find（res==i）,:

）;

plot（v（:

1）,v（:

2）,str（rem（i,12）+1））

ellipse（max（v（:

1））-min（v（:

1））,...

max（v（:

2））-min（v（:

2））,...

[max（v（:

1））+min（v（:

1））,...

max（v（:

2））+min（v（:

2））]/2,'r:

'）

end

gridon,title（'2D聚类结果图','fontsize',8）,holdoff

end

%3D绘图

ifS>2

figure

（2）,plot3（P（:

1）,P（:

2）,P（:

3）,'rs'）,holdon

fori=1:

C

v=Data（find（res==i）,:

）;

plot3（v（:

1）,v（:

2）,v（:

3）,str（rem（i,12）+1））

ellipse（max（v（:

1））-min（v（:

1））,...

max（v（:

2））-min（v（:

2））,...

[max（v（:

1））+min（v（:

1））,...

max（v（:

2））+min（v（:

2））]/2,...

'r:

',（max（v（:

3））+min（v（:

3）））/2）

end

gridon,title（'3D聚类结果图','fontsize',8）,holdoff

end

m文件4/7:

functionD=fuzzydist（A,B）

%模糊聚类分析:

样本间的距离

%D=fuzzydist（A,B）

D=norm（A-B）;

m文件5/7:

functionmr=maxrowf（U,c）

%求矩阵U每列第c大元素所在行,c的缺省值为1

%调用格式:

mr=maxrowf（U,c）

%Seealso:

addr

ifnargin<2

c=1;

end

N=size（U,2）;mr（1,N）=0;

forj=1:

N

aj=addr（U（:

j）,'descend'）;

mr（j）=aj（c）;

end

m文件6/7:

functionellipse（a,b,center,style,c_3d）

%绘制一个椭圆

%调用:

ellipse（a,b,center,style,c_3d）

%输入:

%a:

椭圆的轴长（平行于x轴）

%b:

椭圆的轴长（平行于y轴）

%center:

椭圆的中心[x0,y0],缺省值为[0,0]

%style:

绘制的线型和颜色,缺省值为实线蓝色

%c_3d:

椭圆的中心在3D空间中的z轴坐标,可缺省

ifnargin<4

style='b';

end

ifnargin<3|isempty（center）

center=[0,0];

end

t=1:

360;

x=a/2*cosd（t）+center

（1）;

y=b/2*sind（t）+center

（2）;

ifnargin>4

plot3（x,y,ones（1,360）*c_3d,style）

else

plot（x,y,style）

end

m文件7/7:

functionf=addr（a,strsort）

%返回向量升序或降序排列后各分量在原始向量中的索引

%函数调用:

f=addr（a,strsort）

%strsort:

'ascend'or'descend'

%defaultis'ascend'

%--------example--------

%addr（[4512]）returnsans:

%[3412]

ifnargin==1

strsort='ascend';

end

sa=sort（a）;ca=a;

la=length（a）;f（la）=0;

fori=1:

la

f（i）=find（ca==sa（i）,1）;

ca（f（i））=NaN;

end

ifstrcmp（strsort,'descend'）

f=fliplr（f）;

end

几天前我还在这里发帖求助，可是很幸运在其他地方找到了，在这里和大家分享一下！

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'）;

%    holdon;

%    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（[12],1）],[center（[12],2）],'*','color','k'）

%    holdoff;

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

    error（'Toomanyortoofewinputarguments!

'）;

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  

ifnargin==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;

    iflength（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）;

    ifoptions

（1）<=1,%如果模糊矩阵的指数小于等于1

        error（'Theexponentshouldbegreaterthan1!

'）;

    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,

%Mainloop  主要循环

fori=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）;

    ifdisplay,  

        fprintf（'FCM:

Iterationcount=%d,obj.fcn=%f\n',i,obj_fcn（i））;

    end

    %终止条件判别

    ifi>1,

        ifabs（obj_fcn（i）-obj_fcn（i-1））

        break;

      end,

    end

end

iter_n=i;    %实际迭代次数  

obj_fcn（iter_n+1:

max_iter）=[];