FCM算法是一种基于划分的聚类算法，它的思想是使得被划分到同一簇的对象之间相似度最大，而不同簇之间的相似度最小。最后基于MATLAB实现了对图像信息的聚类。

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。

基于小波包熵和模糊C均值的轴承故障诊断MATLAB程序

模糊C均值聚类，包含200名用户RFM真实行为数据表格，本案例通过模糊C均值聚类，将200名用户聚类成所设定类别数目，通过指定迭代次数，查找cluster_table变量查看用户所属类别

使用基于模糊 c 均值的进化聚类进行图像分割目标函数：使用距离度量测量的簇内距离图像特征：3个特征（R，G，B值） 它还包含一个基于矩阵的输入样本示例

【达摩老生出品，必属精品，亲测校正，质量保证】 资源名：局部模糊_c均值聚类算法_matlab代码 资源类型：matlab项目全套源码 源码说明： 全部项目源码都是经过测试校正后百分百成功运行的，如果您下载后不能运行可联系我进行指导或者更换。 适合人群：新手及有一定经验的开发人员

在本文中，我们考虑结合确定性退火方法和Tsallis熵最大化的模糊c均值（FCM）聚类算法。 Tsallis熵是Shannon熵的q参数扩展。 通过在FCM框架内最大化Tsallis熵，可以推导出类似于统计机械分布函数的隶属函数。 使用此方法时的主要考虑因素之一是如何为给定的数据集确定合适的q值和最高退火温度Thigh。 因此，在本文中，提出了一种在不引入任何附加参数的情况下同时确定这些值的方法。 在我们的方法中，隶属函数通过一系列扩展方法进行近似，并且K-means聚类算法被用作预处理步骤以估计每个数据分布的半径。 实验结果表明，该方法是有效的，并且可以根据给定的数据集自动和代数确定q和Thigh。

灰狼优化算法(GWO)具有较强的局部搜索能力和较快的收敛速度,但在解决高维和复杂的优化问题时存在全局搜索能力不足的问题.对此,提出一种改进的GWO,即新型反向学习和差分变异的GWO(ODGWO).首先,提出一种最优最差反向学习策略和一种动态随机差分变异算子,并将它们融入GWO中,以便增强全局搜索能力;然后,为了很好地平衡探索与开采能力以提升整体的优化性能,对算法前、后半搜索阶段分别采用单维操作和全维操作形成ODGWO;最后,将ODGWO用于高维函数和模糊C均值(FCM)聚类优化.实验结果表明,在许多高维Benchmark函数(30维、50维和1000维)优化上,ODGWO的搜索能力大幅度领先于GWO,与state-of-the-art优化算法相比,ODGWO具有更好的优化性能.在7个标准数据集的FCM聚类优化上, 与GWO、GWOepd和LGWO相比,ODGWO表现出了更好的聚类优化性能,可应用在更多的实际优化问题上.

【图像分割】直觉模糊C均值聚类的图像分割IFCM.md

fcm Matlab中的模糊c均值聚类算法