KL信息与FCM算法的MATLAB程序

KL信息与FCM算法都是聚类算法，但它们的实现方式有所不同。以下是KL信息与FCM算法的MATLAB程序示例。

KL信息聚类算法：

% 数据准备
data = [1.2 2.0; 1.4 1.6; 1.6 1.2; 2.0 1.4; 3.0 3.0; 3.2 2.6; 3.6 2.0; 4.0 3.0];

% 初始化中心点
center = [1.2 2.0; 4.0 3.0];

% 设置聚类个数
k = 2;

% 迭代次数
iter_num = 10;

for iter = 1:iter_num
    % 计算数据点与中心点之间的KL散度
    D = pdist2(data, center, 'KL');
    
    % 使用KL散度进行聚类
    [~, label] = min(D, [], 2);
    
    % 更新中心点
    for i = 1:k
        center(i, :) = mean(data(label == i, :));
    end
end

% 绘制聚类结果
figure;
scatter(data(label == 1, 1), data(label == 1, 2), 'r');
hold on;
scatter(data(label == 2, 1), data(label == 2, 2), 'b');
scatter(center(:, 1), center(:, 2), 100, 'k', 'filled');

FCM聚类算法：

% 数据准备
data = [1.2 2.0; 1.4 1.6; 1.6 1.2; 2.0 1.4; 3.0 3.0; 3.2 2.6; 3.6 2.0; 4.0 3.0];

% 设置聚类个数
k = 2;

% 迭代次数
iter_num = 10;

% 初始化隶属度矩阵
U = rand(k, size(data, 1));
U = bsxfun(@rdivide, U, sum(U, 1));

for iter = 1:iter_num
    % 更新聚类中心点
    center = (U.^2 * data) ./ sum(U.^2, 2);
    
    % 计算隶属度矩阵
    D = pdist2(data, center, 'euclidean');
    U = bsxfun(@rdivide, 1./D, sum(1./D, 2));
    
    % 控制隶属度矩阵的范围
    U = max(U, eps);
    U = bsxfun(@rdivide, U, sum(U, 1));
end

% 计算聚类标签
[~, label] = max(U, [], 1);

% 绘制聚类结果
figure;
scatter(data(label == 1, 1), data(label == 1, 2), 'r');
hold on;
scatter(data(label == 2, 1), data(label == 2, 2), 'b');
scatter(center(:, 1), center(:, 2), 100, 'k', 'filled');