kMeansCluster k均值聚类算法Matlab代码实现，聚类里的经典算法。可以参考应用。

基于正则化的模糊C-均值聚类算法及其在T-S模糊系统辨识问题中的应用

针对模糊C均值聚类算法(FCM)存在对初始聚类中心敏感，易陷入局部最优解的不足，将改进的粒子群聚类算法与FCM算法相结合，提出了一种基于粒子群优化的模糊C均值聚类算法。该算法对粒子群初始化空间及粒子移动最大速度进行优化，同时引入环形拓扑结构邻域，提高粒子群聚类算法的全局搜索能力。对UCI中3个数据集进行仿真实验，结果表明提出的基于粒子群优化的模糊C均值聚类算法相比FCM算法和基本粒子群聚类算法具有更好的聚类效率和准确性。

基于超像素的快速模糊c均值聚类算法在彩色图像分割中的应用

提供原数据，可直接运行，有中文注释，提供出图代码

将模糊集理论和k-means聚类联系起来，设计了模糊k-means聚类算法，其聚类效果比单纯的k-means要好。

基于遗传模拟退火算法的模糊C均值聚类算法（MATLAB自带的遗传算法工具箱），注释清楚，可直接更改使用，代码在MATLAB2016里运行通过！

模糊c-均值(FCM)聚类算法在matlab中实现,已测试通过

机器学习实战这本书中的数据集文本。

初始聚类中心给定。K均值聚类算法首先是聚类算法。K均值算法是一种简单的迭代型聚类算法，采用距离作为相似性指标，从而发现给定数据集中的K个类，且每个类的中心是根据类中所有值的均值得到，每个类用聚类中心来描述。它将相似的对象归到同一个簇中，聚类方法几乎可以应用于所有对象，簇内的对象越相似，聚类的效果越好，之所以称之为K-均值是因为它可以发现k个不同的簇。