主要内容

基于模糊c均值聚类的准随机数据聚类

打开实时脚本

这个例子展示了如何使用准随机二维数据进行FCM聚类。

加载数据集并绘制它。

负载fcmdata.dat情节(fcmdata (: 1) fcmdata (:, 2),“o”）

图中包含一个轴对象。axis对象包含一个line类型的对象。

接下来，调用命令行函数，fcm，在这个数据集中找到两个聚类，直到目标函数不再减少很多。

[center,U,objFcn] = fcm(fcmdata,2);
迭代计数= 1,obj。fcn = 8.970479迭代计数= 2,obj。fcn = 7.197402迭代计数= 3,obj。fcn = 6.325579迭代计数= 4,obj。fcn = 4.586142迭代计数= 5,obj。fcn = 3.893114迭代计数= 6,obj。fcn = 3.810804迭代计数= 7,obj。fcn = 3.799801迭代计数= 8,obj。fcn = 3.797862迭代计数= 9,obj。fcn = 3.797508迭代计数= 10,obj。 fcn = 3.797444 Iteration count = 11, obj. fcn = 3.797432 Iteration count = 12, obj. fcn = 3.797430

中心包含两个集群中心的坐标，U包含每个数据点的成员级别和objFcn包含目标函数在迭代过程中的历史。

的fcm函数是构建在以下例程之上的迭代循环:

  • initfcm-初始化问题

  • distfcm-进行欧氏距离计算

  • stepfcm-执行一次聚类迭代

为了查看聚类的进展情况，可以绘制目标函数。

图(objFcn)“目标函数值”)包含(迭代计算的) ylabel (“目标函数值”）

图中包含一个轴对象。标题为“目标函数值”的axes对象包含一个line类型的对象。

最后，绘制由fcm函数。图中的大字表示集群中心。

maxU = max(U);index1 = find(U(1，:) == maxU);index = find(U(2，:) == maxU);图line(fcmdata(index1,1)， fcmdata(index1,2)，“线型”，.．.“没有”，“标记”，“o”，“颜色”，‘g’1)线(fcmdata (index2), fcmdata (index2, 2),“线型”，.．.“没有”，“标记”，“x”，“颜色”，“r”)举行在情节(中心(1,1),中心(1、2),“柯”，“markersize”15岁的“线宽”2)图(中心(2,1),中心(2,2),“kx”，“markersize”15岁的“线宽”, 2)

图中包含一个轴对象。axis对象包含4个line类型的对象。

注意:每次运行此示例时，fcm函数用不同的初始条件初始化。此行为将交换计算和绘制集群中心的顺序。

另请参阅

相关的话题