把FAMALE.TXT和MALE.TXT两个文件合并成一个，同时采用身高和体重数据作为特征，设类别数为2，模糊C均值（FCM）方法对数据进行聚类，并将聚类结果表示在二维平面上。尝试不同初始值对此数据集是否会造成不同的结果。

以下是使用MATLAB实现您所描述的任务的示例代码：

% 读取FEMALE.TXT和MALE.TXT文件
female_data = load('FEMALE.TXT');
male_data = load('MALE.TXT');

% 合并身高和体重数据
data = [female_data(:, 1:2); male_data(:, 1:2)];

% 数据标准化处理
data = zscore(data);

% 设置聚类参数
num_clusters = 2; % 类别数

% 尝试不同的初始值对聚类结果进行比较
num_initializations = 10; % 不同初始值的数量

figure;
hold on;

for i = 1:num_initializations
    % 利用模糊C均值（FCM）方法聚类数据
    options = [2.0; 100; 1e-5; 0];
    [idx_fcm, centers_fcm] = fcm(data, num_clusters, options);
    
    % 将聚类结果表示在二维平面上
    subplot(2, 5, i);
    scatter(data(:, 1), data(:, 2), [], idx_fcm, 'filled');
    hold on;
    scatter(centers_fcm(:, 1), centers_fcm(:, 2), 100, 'k', 'filled');
    title(['Initialization ', num2str(i)]);
end

% 设置图例
legend('Cluster 1', 'Cluster 2', 'Centroids');

% 设置标题
suptitle('FCM Clustering with Different Initializations');

上述代码中，我们使用了`fcm`函数实现了模糊C均值（FCM）聚类算法。通过循环尝试了不同的初始值，并将聚类结果可视化展示在二维平面上。您可以根据需要调整`num_initializations`的值来尝试更多的初始值，并观察不同初始值对聚类结果的影响。