这个例子展示了FCM聚类是如何使用准随机二维数据的。
加载数据集并绘制它。
负载fcmdata.dat情节(fcmdata (: 1) fcmdata (:, 2),“o”)
接下来,调用命令行函数,fcm
,在该数据集中找到两个簇,直到目标函数不再下降太多。
(中心、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;迭代次数= 7,obj. fcn = 3.810804迭代次数= 8,obj. fcn = 3.799801fcn = 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,并且objFcn
包含目标函数在迭代过程中的历史记录。
的fcm
函数是建立在以下例程之上的迭代循环:
initfcm
-初始化问题
distfcm
-执行欧氏距离计算
stepfcm
-执行一次聚类迭代
为了查看聚类的过程,绘制目标函数。
图绘制(objFcn)标题(的目标函数值)包含(迭代计算的) ylabel (的目标函数值)
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);index2 = find(U(2,赋值)== maxU);图线(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)
注意:每次运行这个示例时,fcm
函数初始化时使用不同的初始条件。此行为交换了计算和绘制集群中心的顺序。