模糊c聚類演算法

1. 模糊c均值聚類中的隸屬度是什麼意思

模糊c-均值聚類演算法 fuzzy c-means algorithm (FCMA)或稱（ FCM）。在眾多模糊聚類演算法中，模糊C-均值（ FCM） 演算法應用最廣泛且較成功，它通過優化目標函數得到每個樣本點對所有類中心的隸屬度，從而決定樣本點的類屬以達到自動對樣本數據進行

2. k-均值聚類和c-均值聚類一樣嗎

k均值聚類：---------一種硬聚類演算法，隸屬度只有兩個取值0或1，提出的基本根據是「類內誤差平方和最小化」准則；
模糊的c均值聚類演算法：--------
一種模糊聚類演算法，是k均值聚類演算法的推廣形式，隸屬度取值為[0
1]區間內的任何一個數，提出的基本根據是「類內加權誤差平方和最小化」准則；
這兩個方法都是迭代求取最終的聚類劃分，即聚類中心與隸屬度值。兩者都不能保證找到問題的最優解，都有可能收斂到局部極值，模糊c均值甚至可能是鞍點。
至於c均值似乎沒有這么叫的，至少從我看到文獻來看是沒有。不必糾結於名稱。如果你看的是某本模式識別的書，可能它想表達的意思就是k均值。
實際上k-means這個單詞最先是好像在1965年的一篇文獻提出來的，後來很多人把這種聚類叫做k均值。但是實際上十多年前就有了類似的演算法，但是名字不一樣，k均值的歷史相當的復雜，在若干不同的領域都被單獨提出。追尋演算法的名稱與歷史沒什麼意義，明白具體的實現方法就好了。

3. 模糊C均值聚類演算法研究

網頁優化策略的模糊C均值(FCM)聚類演算法研究

王玉龍 葉新銘 李秀華

摘 要：在對Web站點進行優化時,為了降低成本,往往需要在不改變硬體和網路配置的情況下提高網站的性能.此時,對構成網站的網頁的修改就成為提高站點性能的主要途徑.對網頁的訪問速度的測量已有很多成熟的方法,但是如何根據測試的結果指定合理的優化策略,卻鮮有論述.本文使用FCM演算法對測試結果和網站日誌進行聚類分析,從而得到一個良好的優化策略.
關鍵詞：Web;優化;模糊C均值(FCM);聚類演算法

Research on Fuzzy C-means Clustering Algorithm in Web Page Optimization Strategy

WANG Yu-Long YE Xin-Ming LI Xiu-Hua

基金項目：國家自然基金項目(60263002),內蒙古科技攻關項目(2002061002).
作者簡介：王玉龍 內蒙古大學計算機學院研究生.
作者簡介：葉新銘 內蒙古大學計算機學院教授.
作者簡介：李秀華 內蒙古大學計算機學院研究生.
作者單位：王玉龍（內蒙古大學計算機學院,呼和浩特,010021）
葉新銘（內蒙古大學計算機學院,呼和浩特,010021）
李秀華（內蒙古大學計算機學院,呼和浩特,010021）

參考文獻：

[1]An application of fuzzy clustering in group-positioning analysis [J]. Proc Natl Sci,Counc ROC(C) , 2000 ,10(2) :157～167
[2]Michalopoulos M,D ounias G D, Thomaidis N T. Decision making using fuzzy C-means and inctive machine learning for managing bank branches performance [EB/OL]. http:‖citeseer. nj. nec.com/458829. html, 2002
[3]Xie X, Beni G. A validity measure for fuzzy clustering [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1991,13(8):814～847
[4]Pal N R, Bezedek C. On cluster validity for the fuzzy c-Means model. IEEE Trans, 1995,3: 370～379
[5]Xie X L, Beni G. A validity measure for fuzzy clustering. IEEE Trans, 1991,13(8): 841～847
[6]於劍,程乾生.模糊聚類方法中的最佳聚類數的搜索范圍[J].中國科學(E輯),2002,32(2):274～280

出版日期：2005年10月25日

4. 誰有模糊c均值聚類演算法的代碼

模糊c均值聚類
函數： fcm
格式： [center,U,obj_fcn] = fcm(data,cluster_n)
舉例如下所示：
data = rand(100, 2);
[center,U,obj_fcn] = fcm(data, 2);
plot(data(:,1), data(:,2),'o');
maxU = max(U);
index1 = find(U(1,:) == maxU);
index2 = find(U(2, :) == maxU);
line(data(index1,1), data(index1, 2), 'linestyle', 'none', 'marker', '*', 'color', 'g');
line(data(index2,1), data(index2, 2), 'linestyle', 'none', 'marker', '*', 'color', 'r');

5. 模糊c-均值聚類演算法的FCM 演算法簡介

假設樣本集合為X={x1 ，x2 ，…，xn }，將其分成c 個模糊組，並求每組的聚類中心cj （ j=1，2，…，C） ，使目標函數達到最小。

6. k均值聚類演算法、c均值聚類演算法、模糊的c均值聚類演算法的區別

k均值聚類：---------一種硬聚類演算法，隸屬度只有兩個取值0或1，提出的基本根據是「類內誤差平方和最小化」准則；
模糊的c均值聚類演算法：-------- 一種模糊聚類演算法，是k均值聚類演算法的推廣形式，隸屬度取值為[0 1]區間內的任何一個數，提出的基本根據是「類內加權誤差平方和最小化」准則；
這兩個方法都是迭代求取最終的聚類劃分，即聚類中心與隸屬度值。兩者都不能保證找到問題的最優解，都有可能收斂到局部極值，模糊c均值甚至可能是鞍點。
至於c均值似乎沒有這么叫的，至少從我看到文獻來看是沒有。不必糾結於名稱。如果你看的是某本模式識別的書，可能它想表達的意思就是k均值。
實際上k-means這個單詞最先是好像在1965年的一篇文獻提出來的，後來很多人把這種聚類叫做k均值。但是實際上十多年前就有了類似的演算法，但是名字不一樣，k均值的歷史相當的復雜，在若干不同的領域都被單獨提出。追尋演算法的名稱與歷史沒什麼意義，明白具體的實現方法就好了。

7. 怎麼利用模糊C均值聚類實現圖像分割啊具體代碼

k均值聚類：---------一種硬聚類演算法，隸屬度只有兩個取值0或1，提出的基本根據是「類內誤差平方和最小化」准則；模糊的c均值聚類演算法：--------一種模糊聚類演算法，是k均值聚類演算法的推廣形式，隸屬度取值為[01]區間內的任何一個數，提出的基本根據是「類內加權誤差平方和最小化」准則；這兩個方法都是迭代求取最終的聚類劃分，即聚類中心與隸屬度值。兩者都不能保證找到問題的最優解，都有可能收斂到局部極值，模糊c均值甚至可能是鞍點。至於c均值似乎沒有這么叫的，至少從我看到文獻來看是沒有。不必糾結於名稱。如果你看的是某本模式識別的書，可能它想表達的意思就是k均值。實際上k-means這個單詞最先是好像在1965年的一篇文獻提出來的，後來很多人把這種聚類叫做k均值。但是實際上十多年前就有了類似的演算法，但是名字不一樣，k均值的歷史相當的復雜，在若干不同的領域都被單獨提出。追尋演算法的名稱與歷史沒什麼意義，明白具體的實現方法就好了。

8. k均值聚類演算法、c均值聚類演算法、模糊的c均值聚類演算法的區別是什麼

k均值聚類：---------一種硬聚類演算法，隸屬度只有兩個取值0或1，提出的基本根據是「類內誤差平方和最小化」准則；
模糊的c均值聚類演算法：-------- 一種模糊聚類演算法，是k均值聚類演算法的推廣形式，隸屬度取值為[0 1]區間內的任何一個數，提出的基本根據是「類內加權誤差平方和最小化」准則；
這兩個方法都是迭代求取最終的聚類劃分，即聚類中心與隸屬度值。兩者都不能保證找到問題的最優解，都有可能收斂到局部極值，模糊c均值甚至可能是鞍點。
至於c均值似乎沒有這么叫的，至少從我看到文獻來看是沒有。不必糾結於名稱。如果你看的是某本模式識別的書，可能它想表達的意思就是k均值。
實際上k-means這個單詞最先是好像在1965年的一篇文獻提出來的，後來很多人把這種聚類叫做k均值。但是實際上十多年前就有了類似的演算法，但是名字不一樣，k均值的歷史相當的復雜，在若干不同的領域都被單獨提出。追尋演算法的名稱與歷史沒什麼意義，明白具體的實現方法就好了。

9. 在matlab中做模糊C均值聚類（fcm）演算法如何體現初始隸屬度

它的程序裡面是用rand函數隨機初始化了一個矩陣N*c，然後對這個隨機矩陣進行歸一化，即滿足一行（也可能是列記不清楚了），反正是讓它滿足隸屬度的每個樣本屬於所有類隸屬度為1的條件。用這個矩陣進行初始化，計算新的中心 新的隸屬度 新的中心。。。。 知道滿足閾值。matlab裡面自己有函數一招就能找到

10. K均值聚類演算法與模糊C均值聚類演算法在原理和處理步驟上有什麼區別

K均值聚類是隨機選取聚類中心，但是演算法最終不一定會收斂到最優解，這與初值的選取有關，模糊C均值聚類:我覺得是在K均值的基礎上，人為的加入了隸屬度這個概念，通過每步迭代得到每個模式的隸屬度，最後根據隸屬度的大小進行分類！