基于模糊C均值的聚类分析

基于模糊C均值的聚类分析1模糊c均值聚类(FCM)方法

模糊C均值聚类(FCM)方法是一种在已知聚类数的情况下，利用隶属度函数和迭代算法将有限的数据集分别聚类的方法。其目标函数为：式中，为样本数；为聚类数；为第个样本相对于第个聚类中心的隶属度；为

第个类别的聚类中心；为样本到聚类中心的欧式距离。聚类的结果使目标函数最小，因此，构造如下新的目标函数：

（2）

这里，=1，⋯，n，是等式的n个约束式的拉格朗日乘子。对所有输入参量求导，使式(1)达到最小的必要条件为：

（3）

（4）

由上述两个必要条件，模糊c均值聚类算法是一个简单的迭代过程。在批处理方式运行时，FCM采用下列步骤确定聚类中心和隶属矩阵U：步骤1用值在0，1间的随机数初始化隶属矩阵U，使其满足式(2)中的约束条件。步骤2用式(3)计算c个聚类中心，i=1，⋯，c。

步骤3根据式(1)计算目标函数。如果它小于某个确定的阈值，或它相对上次价值函数值的改变量小于某个阈值，则算法停止。步骤4用式(4)计算新的U阵。近回步骤2。当算法收敛时，就得到了各类的聚类中心和各个样本对于各类的隶属度值，从而完成了模糊聚类划分。

上述算法中，由于引入的归一化条件，在样本集不理想的情况下可能导致结果不好。比如，如果某个野值样本远离各类的聚类中心，本来它严格属于各类的隶属度都很小，但由于归一化条件的限制，将会使它对各类都有较大的隶属度(比如两类情况下各类的隶属度都是0．5)，这种野值的存在将影响迭代的最终结果。程序ifnargin~=2&nargin~=3,error('Toomanyortoofewinputarguments!');enddata_n=size(data,1);in_n=size(data,2);default_options=[2;%u矩阵分割指数

100;%迭代的最大次数

1e-5;%改进的最小值

1]; %迭代时显示信息ifnargin==2,options=default_options;elseiflength(options)<4,tmp=default_options;tmp(1:length(options))=options;options=tmp;endnan_index=find(isnan(options)==1);options(nan_index)=default_options(nan_index);ifoptions(1)<=1,error('Theexponentshouldbegreaterthan1!');endendexpo=options(1); %u矩阵指数max_iter=options(2); %迭代最大次数min_impro=options(3);%改进的最小值display=options(4);obj_fcn=zeros(max_iter,1);%目标函数的建立U=initfcm(cluster_n,data_n); %初始化模糊分割矩阵 %以下为主循环：fori=1:max_iter,[U,center,obj_fcn(i)]=stepfcm(data,U,cluster_n,expo);ifdisplay,fprintf('Iterationcount=%d,obj.fcn=%f\n',i,obj_fcn(i));end%检查终止情况：ifi>1,ifabs(obj_fcn(i)-obj_fcn(i-1))<min_impro,break;end,endenditer_n=i;%obj_fcn(iter_n+1:max_iter)=[];调用上述程序建立起来的模糊聚类函数，得到以下运行程序：A=[1739.94 1675.15 2395.96;373.3 3087.05 2429.47;1756.771652 1514.98;864.45 1647.31 2665.9;222.85 3059.54 2002.33;877.88 2031.66 3071.18;1803.581583.12 2163.05;2352.122557.04 1411.53;401.3 3259.94 2150.98;363.34 3477.95 2462.86;

1571.17 1731.04 1735.33;104.8 3389.83 2421.83;499.85 3305.75 2196.22;2297.28 3340.14 535.62;2092.62 3177.21 584.32;1418.79 1775.89 2772.9;1845.59 1918.81 2226.49;2205.36 3243.74 1202.69;2949.16 3244.44 662.42;1692.62 1867.5 2108.97;1680.67 1575.78 1725.1;2802.88 3017.11 1984.98;172.78 3084.49 2328.65;2063.54 3199.76 1257.21;1449.58 1641.58 3405.12;1651.52 1713.28 1570.38;341.59 3076.62 2438.63;291.02 3095.68 2088.95;237.63 3077.78 2251.96;1702.8 1639.79 2068.74;1877.93 1860.96 1975.3;867.81 2334.68 2535.1;1831.49 1713.11 1604.68;460.69 3274.77 2172.99;2374.98 3346.98 975.31;2271.89 3482.97 946.7;1783.64 1597.99 2261.31;198.83 3250.45 2445.08;1494.63 2072.59 2550.51];[CENTER2,U2,OBJ_FCN2]=FCM(A,4)得出聚类中心及隶属度矩阵：CENTER2=314.723194.72283.52330.53250958.331748.81733.21927.71211.818792821.1U2=Columns1through6

0.0332010.970070.0297890.0560820.926260.0716660.0295210.00585250.0471230.0208860.0175960.0203680.648970.00886170.849870.119480.0239370.0761620.288310.0152170.0732230.803550.0322080.8318Columns7through12

0.014860.0702570.978080.9310.0156680.943720.0159190.544630.00557410.0172720.0180670.013430.886830.28540.00683290.0203490.918890.0167910.0823940.0997130.0095170.0313760.0473750.026058Columns13through18

0.958960.0246540.030030.0147140.0268680.0150670.0106410.919280.900320.00811240.0295390.948150.0126680.0358320.0453170.0619140.802490.023700.0177290.0202350.0243330.915260.14110.013072Columns19through240.0414130.0132790.0136030.106160.975340.0350020.842630.0134560.0171190.503260.0051040.88240.0744230.90690.926140.242530.00749040.0533150.0415340.0663630.0431410.148050.0120660.029278Columns25through300.0683720.0266210.968610.963670.984340.0066660.0362580.037390.00607310.00850950.00333540.00693660.148640.869030.00927170.0115970.00483480.952540.746730.0669610.0160460.0162260.0074870.033862Columns31through360.00777990.214670.0201320.969560.00194060.00983720.0106020.0435710.0329470.0077870.993410.969340.952650.157980.894160.00945310.00297260.013040.028970.583780.0527620.0132040.0016780.0077779Columns37through390.0224530.971930.0483980.0223670.00613550.0285220.808250.00833480.232140.146930.0135950.69094OBJ_FCN2=1.9285e+0071.352e+0078.2142e+0065.4477e+0064.9316e+0064.85e+0064.8367e+0064.8344e+0064.834e+0064.8339e+0064.8339e+0064.8339e+0064.8339e+0064.8339e+0064.8339e+0064.8339e+0064.8339e+0064.8339e+006

4.8339e+0064.8339e+0064.8339e+0064.8339e+0064.8339e+006

此时，目标函数在4.8339e+006处收敛，算法结速

由得出的聚类中心矩阵及隶属度矩阵就可以进行分类了：聚类中心矩阵有4行，每一行代表一类及四类，3列，每一列代表一种颜色；由隶属度矩阵中Columns1through6为例：

0.0332010.970070.0297890.0560820.926260.0716660.0295210.00585250.0471230.0208860.0175960.0203680.648970.00886170.849870.119480.0239370.0761620.288310.0152170.0732230.803550.0322080.8318

先看上述矩阵的第一列，从中找出最大值是0.64897，在第三行，由最大隶属度原则可得：样本1属于第三类，以此类

推，可将39个样本值进行分类，最终分类结果如下：

Blue Green Red Type 1739.94 1675.15 2395.96 1 373.3 3087.052429.47 2 1756.77 1652 1514.98 1 864.45 1647.31 2665.9 3 222.85 3059.54 2002.33 2 877.88 2031.66 3071.18 3 1803.58 1583.12 2163.05 1 2352.12 2557.04 1411.53 4 401.3 3259.94 2150.98 2 363.343477.952462.8621571.171731.041735.331104.83389.832421.832499.853305.752196.2222297.283340.14535.6242092.623177.21584.3241418.791775.892772.931845.591918.812226.4912205.363243.741202.6942949.163244.44