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.

提高含INU和噪声的MR脑图像分割的分割精度。 实施了带有偏差校正的空间 FCM 方法，该方法结合了偏差和噪声的校正。

j基础的fcm聚类算法，讲解的十分清楚，刚刚入门的可以看看程序，理解一下matlab中fcm函数运用的过程

本文详细介绍了FCM聚类算法的理论和实现步骤。并用Matlab演示了FCM用于数据挖掘。

fcm Matlab中的模糊c均值聚类算法

模糊均值聚类算法。

用matlab语言写成的FCM算法，注释明确，代码经典，适合初学者

模糊C均值代码解释 用于聚类分析的运用，可以帮助理解

GIS设备出现缺陷会导致变电站发生事故，给电网带来巨大经济损失。针对目前变电站大规模的人工巡检存在着效率低下、易漏检等问题。文中对X射线无损检测得到的GIS设备图片进行研究。对获得的GIS图片进行恰当预处理，提出一种改进的FCM算法进行分割，在传统的FCM分割算法基础上，引入非隶属度、不确定度且结合图像的领域信息进行分割GIS设备图像，采用SVM分类器进行缺陷检测。实验表明，此方法缺陷检测率能达到90%以上。

模糊C均值算法（FCM）分割图像MATLAB程序