模糊c均值聚类算法matlab代码

模糊C均值聚类（Fuzzy C-means Clustering）算法在模式识别和数据挖掘中是一种比较常用的聚类算法。该算法基于最小均方误差的原则，通过对每个样本点进行隶属度计算来进行聚类。在聚类过程中，每个样本点可被归入多个聚类中。

Matlab代码实现模糊C均值聚类算法：

1、 初始化参数：隶属度矩阵U，聚类中心矩阵C，迭代次数k，终止误差tolerance。

2、 对每个样本点计算其对每个聚类中心的隶属度。

3、 根据隶属度和样本点的权值，更新聚类中心。

4、 对于每个样本点计算其隶属度的变化量，如果小于tolerance则停止迭代，否则继续迭代。

5、 返回聚类结果。

Matlab代码：

function [C, U, objFun] = fcm(data, cluster_n, m, tolerance, max_iter)  
% 输入参数：data为样本数据，cluster_n为聚类中心数量，m为隶属度常数，tolerance为终止误差，max_iter为最大迭代次数。
% 输出参数：C为聚类中心矩阵，U为隶属度矩阵，objFun为目标函数的值。

[n, m] = size(data);
U = rand(n, cluster_n); 
U = bsxfun(@rdivide, U, sum(U,2));
C = rand(cluster_n, m);
iter = 0;
objFun = zeros(max_iter, 1);
while iter < max_iter
    U2 = U .^ m;
    C = U2' * data ./ sum(U2)';
    dist = repmat(sum(data.^2, 2), 1, cluster_n) + repmat(sum(C.^2, 2)', n, 1) - 2 * data * C';
    objFun(iter+1) = sum(sum((dist.^2).*U2));
    if iter > 0
        if abs(objFun(iter+1) - objFun(iter)) < tolerance
            break;
        end
    end
    d = dist .^ (-2/(m-1));
    U = d ./ repmat(sum(d, 2), 1, cluster_n);
    iter = iter + 1;
end
objFun(iter+1:end) = [];

该代码实现了模糊C均值聚类算法的主要步骤，通过对输入参数的设定计算出聚类中心和隶属度矩阵。