fkmccfv.m

其中有五个程序

                              %%%%%%%%%%%%%%%%%%%%%%%%%
                              %          程序运行过程中调用:dd函数,这个函数计算在本聚类模式下的两个模糊数的距离       
                              %%%%%%%%%%%%%%%%%%%%%%%%%

function FKMCCFV(k,mm,x,e)            %其中，e表示预设的阈值；k类，mm表示模糊关系数，x为待聚类的模糊数据矩阵，
                                      %每一行表示一个模糊数.若每一个模糊数包含m个不同的数据单元,则要求x为一个n*(2m)的矩阵.其中n表示
                                      %模糊数的个数,每一行中前m个表示该模糊数据的m个中心位置,后m个元素分别
                                      %对应每一个模糊数据的左右区间长,所以这种方法只能考虑左右对称的模糊数据向量类型.
n=size(x);
m=n(2)/2;
n=n(1);  %求出x的模糊数的个数n
                              %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
                              %       判断类别数是不是大于数据个数      %
                              %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
if k>n
    fprintf('ERROR! The number of clusters is greater than the number of the data, namely %d>%d. Please revise your cluster number!\n',k,n)
else
    
    
                              %%%%%%%%%%%%%%%%%%%%%%%%%%%
                              %                             声明变量空间                                                 
                              %    u：为初始关系矩阵
                              %    c：为数据的中心矩阵（这是一个矩阵，因为x为一个向量模糊数）                
                              %    s：为数据的区间长矩阵
                              %    C：为k类初始中心矩阵
                              %    S：为k类初始区间长矩阵
                              %    CC：为k类经优化后的中心矩阵
                              %    uu：为经优化后的关系矩阵
                              %    a：为三角关系运算所对应的对角的矩阵，只是在matlab中无法声明a(i)，所以用一个三维数组表示
                              %    AA：为经优化后的三角关系运算所对应的对角的矩阵。
                              %%%%%%%%%%%%%%%%%%%%%%%%%%%%

u=ones(k,n)/n;
c=ones(n,m);
s=ones(n,m);
C=ones(k,m);
S=ones(k,m);
CC=ones(k,m);
uu=ones(k,n);
a=zeros(m,m,n);
AA=zeros(m,m,k);



                              %%%%%%%%%%%%%%%%%%%%%%%%%%%%%
                              %                         初始赋值
                              %   第一部分，将x分为中心和区间长，分别赋值给c和u
                              %   第二部分，选取k个聚类中心，和区间长。不妨取为前k个元素，其中为了计算需要对中心做一个平移变换
                              %   第三部分，根据定义，赋值三角关系运算矩阵a
                              %%%%%%%%%%%%%%%%%%%%%%%%%%%%
for i=1:n                               %第一部分
    c(i,1:m)=x(i,1:m);
    s(i,1:m)=x(i,m+1:2*m);
end
for i=1:k                               %第二部分
    C(i,:)=c(i,:)-0.1;
    S(i,:)=0.1;
end
for i=1:n                               %第三部分
    for j=1:m
        a(j,j,i)=1/s(i,j)^2;
    end
end

                              %%%%%%%%%%%%%%%%%%%%%%%%%%%%
                              %                  计算部分
                              %     第四部分，计算优化后的关系矩阵。其中用到的算法是根据论文中提供的方法。
                              %     第五部分和第六部分分别为计算优化后的聚类中心和区间长度矩阵。其中用到的算法是根据论文中提供的方法。
                              %%%%%%%%%%%%%%%%%%%%%%%%%%%%
d=ones(1,k);
for i=1:n                                %第四部分                  
    for j=1:k
        d(j)=1/(dd(x(i,:),[C(j,:),S(j,:)])^(2/(mm-1)));
    end
    for j=1:k
        uu(j,i)=1/(dd(x(i,:),[C(j,:),S(j,:)])^(2/(mm-1))*sum(d));
    end
    d=ones(1,k);
end
for i=1:k                               %第五部分
    CC(i,:)=0;
    for j=1:n
        CC(i,:)=uu(i,j).^mm*c(j,:)+CC(i,:);
    end
    CC(i,:)=CC(i,:)/(sum(uu(i,:).^mm));
end
for i=1:k                               %第六部分
    AA(:,:,i)=0;
    for j=1:n
        AA(:,:,i)=uu(i,j).^mm*a(:,:,j)+AA(:,:,i);
    end
    AA(:,:,i)=AA(:,:,i)/(sum(uu(i,:).^mm));
end



                              %%%%%%%%%%%%%%%%%%%%%%%%%%%%
                              %             进入循环项：若u和uu相应元素的差的最大值大于预设阈值e，则进入循环
                              %  将新算出的结果赋给就变量，重新计算相应的关系矩阵uu和聚类中心CC及三角关系矩阵AA直到循环条件不被满足，跳出循环。
                              %%%%%%%%%%%%%%%%%%%%%%%%%%%%
while max(max(abs(u-uu)))>e 
    C=CC;
    u=uu;
    d=ones(1,k);
    for i=1:n                   
    for j=1:k
        d(j)=1/(dd(x(i,:),[C(j,:),S(j,:)])^(2/(mm-1)));
    end
    for j=1:k
        uu(j,i)=1/(dd(x(i,:),[C(j,:),S(j,:)])^(2/(mm-1))*sum(d));
    end
    d=ones(1,k);
    end
    for i=1:k
    CC(i,:)=0;
    for j=1:n
        CC(i,:)=uu(i,j).^mm*c(j,:)+CC(i,:);
    end
    CC(i,:)=CC(i,:)/(sum(uu(i,:).^mm));
    end
for i=1:k
    AA(:,:,i)=0;
    for j=1:n
        AA(:,:,i)=uu(i,j).^mm*a(:,:,j)+AA(:,:,i);
    end
    AA(:,:,i)=AA(:,:,i)/(sum(uu(i,:).^mm));
end
end    


                              %%%%%%%%%%%%%%%%%%%%%%%%%%
                              %    输出计算的结果，分别为聚类中心和关系矩阵
                              %%%%%%%%%%%%%%%%%%%%%%%%%%
fprintf('The centers of the %d clustering is:\n',k)
CC
fprintf('The membership of the elements relating to the %d clusters is:\n',k)
uu=uu'
fprintf('The graph has shown the result of the clustering, in which the red point is the center of the clusters.\n')
fprintf('Attention: Because of the axis in the two graphs is not constrained!.\n')

                              %%%%%%%%%%%%%%%%%%%%%%%%%
                              %     画图
                              %%%%%%%%%%%%%%%%%%%%%%%%%
hold on
if m==2
for i=1:n
    plot([c(i,1)],[c(i,2)],'*')
    plot([c(i,1)-s(i,1),c(i,1)+s(i,1),c(i,1)+s(i,1),c(i,1)-s(i,1),c(i,1)-s(i,1)],[c(i,2)-s(i,2),c(i,2)-s(i,2),c(i,2)+s(i,2),c(i,2)+s(i,2),c(i,2)-s(i,2)])
end
else 
    for i=1:n
    plot([c(i,1)],[c(i,2)],'*')

    end
end
for i=1:k
plot([CC(i,1)],[CC(i,2)],'Marker','o','LineStyle','none','Color',[1 0 0])
end
hold off
end