针对模糊c-均值（FCM）聚类算法受初始聚类中心影响，易陷入局部最优，以及算法对孤立点数据敏感的问题，提出了解决方案：采用快速减法聚类算法初始化聚类中心，为每个样本点赋予一个定量的权值，用来区分不同的样本点对最终的聚类结果的不同作用，为提高聚类速度采用修正隶属度矩阵的方法，并将算法与传统的FCM相比。实验结果表明，该算法较好地解决了初值问题，与随机初始化方法相比，迭代次数少、收敛速度快、具有较好的聚类结果。

一种基于GA的模糊C均值算法，用IRIS数据验证后聚类效果很好。

用matlab实现模糊c均值聚类，并且实现图像分割。

模糊C均值算法（FCM)Matlab程序

模糊c-均值算法和万有引力算法求解模糊聚类问题.pdf

：针对经典的C均值聚类算法以及模糊C均值聚类算法所存在的两个方面的问题：一是算法对初始聚类中心的过 分依赖性，通常的聚类算法往往对于不同的初始聚类中心会得到不同的聚类结果；二是算法需要预先知道实际的聚类数 目，而在实际应用中，聚类数目却是未知的。基于此提出了模糊C均值聚类算法的一种改进算法，即在标准的模糊C均值 聚类算法的基础上，给目标函数加入了一个惩罚项，使得上述问题得以解决。并通过仿真实验证实了新算法的可行性和 有效性

利用matlab实现FCM算法，算法最终返回距离类中心，和每个样本对于不同类的隶属度矩阵。同时，使用随机生成的100个二维数据，进行算法程序的检验，给出具体的迭代次数和目标函数值，以及聚类的结果图。

SAR图像分割的边缘保留鲁棒非局部模糊c均值算法。

模糊c均值（FCM）聚类算法已广泛应用于许多医学图像分割中。 但是，由于不考虑空间信息，因此常规的标准FCM算法对噪声敏感。 为了克服上述问题，提出了一种新颖的改进的FCM算法（以后称为FCM-AWA）用于图像分割。 该算法是通过修改常规FCM算法中的目标函数，即通过将空间邻域信息合并到标准FCM算法中来实现的。 给出了自适应加权平均（AWA）滤波器以指示相邻像素对中心像素的空间影响。 在实施加权平均图像时，通过预定义的非线性函数自动确定控制模板（邻居寡妇）的参数（加权系数）。 该算法既适用于人工合成图像，又适用于真实图像。 此外，使用基于算法的分割方法对牙菌斑进行了定量分析。 实验结果表明，与标准FCM算法和另一种FCM算法（由Ahmed提出）相比，该算法对噪声的鲁棒性更高。 此外，使用所提出的方法对牙菌斑进行定量的结果表明，FCM-AWA提供了一种定量，客观和有效的牙菌斑分析方法，具有广阔的前景。

文件详细介绍了模糊k均值算法的过程，并举例实现，然后给出了matlab实现的详细代码。