FCM算法的matlab程序

FCM算法的matlab程序

在“FCM算法的matlab程序（初步）”这篇文章中已经用matlab程序对iris数据库进行简单的实现，下面的程序最终的目的是求准确度。

作者：凯鲁嘎吉 - 博客园 http://www.cnblogs.com/kailugaji/

1.采用iris数据库

iris_data.txt

5.1    3.5    1.4    0.2
4.9        1.4    0.2
4.7    3.2    1.3    0.2
4.6    3.1    1.5    0.2
    3.6    1.4    0.2
5.4    3.9    1.7    0.4
4.6    3.4    1.4    0.3
    3.4    1.5    0.2
4.4    2.9    1.4    0.2
4.9    3.1    1.5    0.1
5.4    3.7    1.5    0.2
4.8    3.4    1.6    0.2
4.8        1.4    0.1
4.3        1.1    0.1
5.8        1.2    0.2
5.7    4.4    1.5    0.4
5.4    3.9    1.3    0.4
5.1    3.5    1.4    0.3
5.7    3.8    1.7    0.3
5.1    3.8    1.5    0.3
5.4    3.4    1.7    0.2
5.1    3.7    1.5    0.4
4.6    3.6        0.2
5.1    3.3    1.7    0.5
4.8    3.4    1.9    0.2
        1.6    0.2
    3.4    1.6    0.4
5.2    3.5    1.5    0.2
5.2    3.4    1.4    0.2
4.7    3.2    1.6    0.2
4.8    3.1    1.6    0.2
5.4    3.4    1.5    0.4
5.2    4.1    1.5    0.1
5.5    4.2    1.4    0.2
4.9    3.1    1.5    0.2
    3.2    1.2    0.2
5.5    3.5    1.3    0.2
4.9    3.6    1.4    0.1
4.4        1.3    0.2
5.1    3.4    1.5    0.2
    3.5    1.3    0.3
4.5    2.3    1.3    0.3
4.4    3.2    1.3    0.2
    3.5    1.6    0.6
5.1    3.8    1.9    0.4
4.8        1.4    0.3
5.1    3.8    1.6    0.2
4.6    3.2    1.4    0.2
5.3    3.7    1.5    0.2
    3.3    1.4    0.2
    3.2    4.7    1.4
6.4    3.2    4.5    1.5
6.9    3.1    4.9    1.5
5.5    2.3        1.3
6.5    2.8    4.6    1.5
5.7    2.8    4.5    1.3
6.3    3.3    4.7    1.6
4.9    2.4    3.3
6.6    2.9    4.6    1.3
5.2    2.7    3.9    1.4
        3.5
5.9        4.2    1.5
    2.2
6.1    2.9    4.7    1.4
5.6    2.9    3.6    1.3
6.7    3.1    4.4    1.4
5.6        4.5    1.5
5.8    2.7    4.1
6.2    2.2    4.5    1.5
5.6    2.5    3.9    1.1
5.9    3.2    4.8    1.8
6.1    2.8        1.3
6.3    2.5    4.9    1.5
6.1    2.8    4.7    1.2
6.4    2.9    4.3    1.3
6.6        4.4    1.4
6.8    2.8    4.8    1.4
6.7            1.7
    2.9    4.5    1.5
5.7    2.6    3.5
5.5    2.4    3.8    1.1
5.5    2.4    3.7
5.8    2.7    3.9    1.2
    2.7    5.1    1.6
5.4        4.5    1.5
    3.4    4.5    1.6
6.7    3.1    4.7    1.5
6.3    2.3    4.4    1.3
5.6        4.1    1.3
5.5    2.5        1.3
5.5    2.6    4.4    1.2
6.1        4.6    1.4
5.8    2.6        1.2
    2.3    3.3
5.6    2.7    4.2    1.3
5.7        4.2    1.2
5.7    2.9    4.2    1.3
6.2    2.9    4.3    1.3
5.1    2.5        1.1
5.7    2.8    4.1    1.3
6.3    3.3        2.5
5.8    2.7    5.1    1.9
7.1        5.9    2.1
6.3    2.9    5.6    1.8
6.5        5.8    2.2
7.6        6.6    2.1
4.9    2.5    4.5    1.7
7.3    2.9    6.3    1.8
6.7    2.5    5.8    1.8
7.2    3.6    6.1    2.5
6.5    3.2    5.1
6.4    2.7    5.3    1.9
6.8        5.5    2.1
5.7    2.5
5.8    2.8    5.1    2.4
6.4    3.2    5.3    2.3
6.5        5.5    1.8
7.7    3.8    6.7    2.2
7.7    2.6    6.9    2.3
    2.2        1.5
6.9    3.2    5.7    2.3
5.6    2.8    4.9
7.7    2.8    6.7
6.3    2.7    4.9    1.8
6.7    3.3    5.7    2.1
7.2    3.2        1.8
6.2    2.8    4.8    1.8
6.1        4.9    1.8
6.4    2.8    5.6    2.1
7.2        5.8    1.6
7.4    2.8    6.1    1.9
7.9    3.8    6.4
6.4    2.8    5.6    2.2
6.3    2.8    5.1    1.5
6.1    2.6    5.6    1.4
7.7        6.1    2.3
6.3    3.4    5.6    2.4
6.4    3.1    5.5    1.8
        4.8    1.8
6.9    3.1    5.4    2.1
6.7    3.1    5.6    2.4
6.9    3.1    5.1    2.3
5.8    2.7    5.1    1.9
6.8    3.2    5.9    2.3
6.7    3.3    5.7    2.5
6.7        5.2    2.3
6.3    2.5        1.9
6.5        5.2
6.2    3.4    5.4    2.3
5.9        5.1    1.8

iris_id.txt

2.matlab源程序

My_FCM.m

function label_1=My_FCM(K)
%输入K：聚类数
%输出：label_1:聚的类, para_miu_new:模糊聚类中心μ，responsivity:模糊隶属度
format long
eps=1e-5;  %定义迭代终止条件的eps
alpha=2;  %模糊加权指数，[1,+无穷)
max_iter=100;  %最大迭代次数
fitness=zeros(max_iter,1);
data=dlmread('E:\www.cnblogs.comkailugaji\data\iris\iris_data.txt');
%----------------------------------------------------------------------------------------------------
%对data做最大-最小归一化处理
[data_num,~]=size(data);
X=(data-ones(data_num,1)*min(data))./(ones(data_num,1)*(max(data)-min(data)));
[X_num,X_dim]=size(X);
%----------------------------------------------------------------------------------------------------
%随机初始化模糊隶属度矩阵
responsivity=rand(X_num,K);  %初始化模糊隶属度矩阵，X_num*K
temp=sum(responsivity,2);  %把responsivity每一行加起来，把K类加起来，N*1的矩阵
responsivity=responsivity./(temp*ones(1,K));  %保证每行（每类）加起来为1
% ----------------------------------------------------------------------------------------------------
% FCM算法
for t=1:max_iter
    %更新聚类中心K*X_dim
    miu_up=(responsivity'.^(alpha))*X;  %μ的分子部分
    para_miu=miu_up./((sum(responsivity.^(alpha)))'*ones(1,X_dim));
    %欧氏距离，计算（X-para_miu）^2=X^2+para_miu^2-2*para_miu*X'，矩阵大小为X_num*K
    distant=(sum(X.*X,2))*ones(1,K)+ones(X_num,1)*(sum(para_miu.*para_miu,2))'-2*X*para_miu';
    %目标函数值
    fitness(t)=sum(sum(distant.*(responsivity.^(alpha))));
    %更新隶属度矩阵X_num*K
    R_up=distant.^(-1/(alpha-1));  %隶属度矩阵的分子部分
    responsivity=R_up./(sum(R_up,2)*ones(1,K));
    %[responsivity,para_miu,fitness(t)]=FuzzyCM(X,responsivity,K,alpha);
    if t>1  %改成while不行
        if abs(fitness(t)-fitness(t-1))<eps
            break;
        end
    end
end
%iter=t;  %实际迭代次数
[~,label_1]=max(responsivity,[],2);

succeed.m

function accuracy=succeed(K,id)
%输入K：聚的类，id：训练后的聚类结果，N*1的矩阵
N=size(id,1);   %样本个数
p=perms(1:K);   %全排列矩阵
p_col=size(p,1);   %全排列的行数
new_label=zeros(N,p_col);   %聚类结果的所有可能取值，N*p_col
num=zeros(1,p_col);  %与真实聚类结果一样的个数
real_label=dlmread('E:\www.cnblogs.comkailugaji\data\iris\iris_id.txt');
%将训练结果全排列为N*p_col的矩阵，每一列为一种可能性
for i=1:N
    for j=1:p_col
        for k=1:K
            if id(i)==k
                new_label(i,j)=p(j,k)-1;  %加一减一看情况
            end
        end
    end
end
%与真实结果比对，计算精确度
for j=1:p_col
    for i=1:N
        if new_label(i,j)==real_label(i)
                num(j)=num(j)+1;
        end
    end
end
accuracy=max(num)/N;

Eg_FCM.m

function ave_acc_FCM=Eg_FCM(K,max_iter)
%输入K:聚的类，max_iter是最大迭代次数
%输出ave_acc_FCM：迭代max_iter次之后的平均准确度
s=0;
for i=1:max_iter
    label_1=My_FCM(K);
    accuracy=succeed(K,label_1);
    s=s+accuracy;
end
ave_acc_FCM=s/max_iter;

3.结果

>> ave_acc_FCM=Eg_FCM(3,50)
ave_acc_FCM =
   0.888666666666667