function [center, U, obj_fcn] = KFCMClust(data, cluster_n, kernel_b,options)

% FCMClust.m? ?采用模糊C均值對數據集data聚為cluster_n類

%

% 用法：

%? ?1.??[center,U,obj_fcn] = KFCMClust(Data,N_cluster,kernel_b,options);

%? ?2.??[center,U,obj_fcn] = KFCMClust(Data,N_cluster,kernel_b);

%? ?3.??[center,U,obj_fcn] = KFCMClust(Data,N_cluster);

%

% 輸入：

%? ?data? ?? ???---- nxm矩陣,表示n個樣本,每個樣本具有m的維特征值

%? ?N_cluster? ?---- 標量,表示聚合中心數目,即類別數

%? ?kernel_b? ? ---- 高斯核參數b? ?? ?? ?? ?? ?? ?? ?? ?? ?(缺省值：150)

%? ?options? ???---- 4x1矩陣，其中

%? ?? ? options(1):??隸屬度矩陣U的指數，>1? ?? ?? ?? ?? ?? ?(缺省值: 2.0)

%? ?? ? options(2):??最大迭代次數? ?? ?? ?? ?? ?? ?? ?? ?? ?(缺省值: 100)

%? ?? ? options(3):??隸屬度最小變化量,迭代終止條件? ?? ?? ???(缺省值: 1e-5)

%? ?? ? options(4):??每次迭代是否輸出信息標志? ?? ?? ?? ?? ? (缺省值: 1)

% 輸出：

%? ?center? ?? ?---- 聚類中心

%? ?U? ?? ?? ???---- 隸屬度矩陣

%? ?obj_fcn? ???---- 目標函數值

%? ?Example:

%? ?? ? data = rand(100,2);

%? ?? ? [center,U,obj_fcn] = KFCMClust(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;

%? ?Author: Genial

%? ?Date:? ?2005.5

%??一副圖中顯示多方圖片：montage

error(nargchk(2,4,nargin));? ? % 檢查輸入參數個數

data_n = size(data, 1); % 求出data的第一維(rows)數,即樣本個數

in_n = size(data, 2);? ?% 求出data的第二維(columns)數，即特征值長度,目前沒有用

% 默認操作參數

default_b = 150;? ?? ?? ?% 高斯核函數參數

default_options = [2;? ? ? ? % 隸屬度矩陣U的指數

100;? ?? ?? ?? ?? ? % 最大迭代次數

1e-5;? ?? ?? ?? ?? ?% 隸屬度最小變化量,迭代終止條件

1];? ?? ?? ?? ?? ???% 每次迭代是否輸出信息標志

if nargin == 2,

kernel_b = default_b;

options = default_options;

elseif nargin == 3,

options = default_options;

else? ? % 分析有options做參數時候的情況

% 如果輸入參數個數是3那么就調用默認的option;

% 如果用戶給的opition數少于4個那么就將剩余的默認option加上;

if length(options) < 4,

tmp = default_options;

tmp(1:length(options)) = options;

options = tmp;

end

% 返回options中是數的值為0(如NaN),不是數時為1

nan_index = find(isnan(options)==1);

% 將denfault_options中對應位置的參數賦值給options中不是數的位置.

options(nan_index) = default_options(nan_index);

if options(1) <= 1,

% 如果options中的指數m不超過1報錯

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

end

end

% 將options 中的分量分別賦值給四個變量;

expo = options(1);? ?? ?? ? % 隸屬度矩陣U的指數

max_iter = options(2);? ? ? ? ? ? ? ? % 最大迭代次數

min_impro = options(3);? ? ? ? ? ? ? ? % 隸屬度最小變化量,迭代終止條件

display = options(4);? ? ? ? ? ? ? ? % 每次迭代是否輸出信息標志

obj_fcn = zeros(max_iter, 1);? ? ? ? % 初始化輸出參數obj_fcn

U = initkfcm(cluster_n, data_n);? ? ? ? % 初始化模糊分配矩陣,使U滿足列上相加為1

% 初始化聚類中心：從樣本數據點中任意選取cluster_n個樣本作為聚類中心。當然，

% 如果采用某些先驗知識選取中心或許能夠達到加快穩定的效果，但目前不具備這功能

index = randperm(data_n);? ?% 對樣本序數隨機排列

center_old = data(index(1:cluster_n),:);??% 選取隨機排列的序數的前cluster_n個

% Main loop??主要循環

for i = 1:max_iter,

% 在第k步循環中改變聚類中心ceneter,和分配函數U的隸屬度值;

[U, center, obj_fcn(i)] = stepkfcm(data,U,center_old, expo, kernel_b);

if display,

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

end

center_old = center;? ? % 用新的聚類中心代替老的聚類中心

% 終止條件判別

if i > 1,

if abs(obj_fcn(i) - obj_fcn(i-1)) < min_impro, break; end,

end

end

iter_n = i;? ? ? ? % 實際迭代次數

obj_fcn(iter_n+1:max_iter) = [];

% 子函數

function U = initkfcm(cluster_n, data_n)

% 初始化fcm的隸屬度函數矩陣

% 輸入:

%? ?cluster_n? ?---- 聚類中心個數

%? ?data_n? ?? ?---- 樣本點數

% 輸出：

%? ?U? ?? ?? ???---- 初始化的隸屬度矩陣

U = rand(cluster_n, data_n);

col_sum = sum(U);

U = U./col_sum(ones(cluster_n, 1), :);

總結

以上是生活随笔為你收集整理的kfcm算法matlab实现,KFCM算法分析的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。