模糊C均值聚类算法实验报告.doc

实验九 模糊C均值聚类算法 一、实验目的 掌握模糊C聚类算法的基本原理和程序流程。 二、实验设备 微机 三、实验原理 设：{xi, i=1, …, N}是N个样本组成的样本集合；c为预定的类别数目；mj(j=1, …, c)为每个聚类的中心；μj(xi)是第i个样本对于第j类的隶属度函数。 用隶属度函数定义的聚类损失函数可以写为： (1) 式中，bl，是一个可以控制聚类结果的模糊程度的常数。 模糊C均值算法要求一个样本对于各个聚类的隶属度之和为1，即： (2) 令Jf对μj(xi)和mj的偏导数为0，可得必要条件： (3) (4) 用迭代方法求解以上两式，就是模糊C均值算法，其算法步骤如下： ① 设定聚类数目c和参数b； ② 初始化各个聚类中心mj； ③ 重复下面的运算，直到各个样本的隶属度值稳定： ⅰ)用当前的聚类中心按式(4)计算隶属度函数 ⅱ)用当前的隶属度函数按式(3)更新计算各类聚类中心。 当算法收敛时，就得到了各类的聚类中心和各个样本对于各类的隶属度值，从而完成了模糊聚类划分。如果需要，还可以将模糊聚类结果进行去模糊化，即用一定规则把模糊聚类划分转化为确定性分类。 实验步骤 理解并编写模糊C均值算法，并用下表的样本集对程序进行验证。 。x1 x2 x3 x1 x2 x3 x1 x2 x3 -5.01 -8.12 -3.68 -0.91 -0.18 -0.05 5.35 2.26 8.13 -5.43 -3.48 -3.54 1.30 -2.06 -3.53 5.12 3.22 -2.66 1.08 -5.52 1.66 -7.75 4.54 -0.95 -1.34 -5.31 -9.87 0.86 -3.78 -4.11 -5.47 0.50 3.92 4.48 3.42 5.19 -2.67 0.63 7.39 6.14 5.72 -4.85 7.11 2.39 9.21 4.94 3.29 2.08 3.60 1.26 4.36 7.17 4.33 -0.98 -2.51 2.09 -2.59 5.37 -4.63 -3.65 5.75 3.97 6.65 -2.25 -2.13 -6.94 7.18 1.46 -6.66 0.77 0.27 2.41 5.56 2.86 -2.26 -7.39 1.17 6.30 0.90 -0.43 -8.71 1.03 -3.33 4.33 -7.50 -6.32 -0.31 3.52 -0.36 6.43 五 实验代码 #includestdio.h #includemath.h #includestdlib.h #define C 7 #define B 2 #define NUM 30 typedef struct { double x; double y; double z; double u[C]; double dis[C]; }Sample; Sample smp[NUM]; double m[C][3]; void init() { int i,j,k; double a[30][3]={-5.01,-8.12,-3.68,-5.43,-3.48,-3.54,1.08,-5.52,1.66,0.86,-3.78,-4.11,-2.67,0.63,7.39, 4.94,3.29,2.08,-2.51,2.09,-2.59,-2.25,-2.13,-6.94,5.56,2.86,-2.26,1.03,-3.33,4.33, -0.91,-0.18,-0.05,1.30,-2.06,-3.53,-7.75,4.54,-0.95,-5.47,0.50,3.92,6.14,5.72,-4.85, 3.60,1.2,4.36,5.37,-4.63,-3.65,7.18,1.46,-6.66,-7.39,1.17,6.30,-7.50,-6.32,-0.31,