führt Fuzzy-C-Means-Clustering durch.
[Centers, Memberships] = FuzzyCMeans(Samples, InitialCenters, NormType, Criterion, Value, Blending) [Centers, Memberships] = FuzzyCMeans(Samples, InitialCenters, NormType, Criterion, Value) [Centers] = FuzzyCMeans(Samples, InitialCenters, NormType, Criterion, Value, Blending) [Centers, Memberships] = FuzzyCMeans(Samples, InitialCenters, NormType, Criterion, Value)
Matrix, die Beispielvektoren als Zeilen enthält
Matrix, die die anfänglichen Clusterzentren als Zeilen enthält
Norm der Vektoren, ist Skalar größer als null, kann %inf sein
Art der Abbruchbedingung, kann 'iterations' oder 'quantization_error' sein
Anzahl der Iterationen oder maximaler Quantisierungsfehler
Exponent, der auf die Mitgliedschaftswerte angewandt wird. Dieser Parameter ist optional. Voreingestellt ist zwei.
resultierende Clusterzentren
resultierende Mitgliedschaftswerte der Vektoren (Zeilen) in Clustern (Spalten). Dieser Parameter ist optional.
Diese Funktion führt Fuzzy-C-Means-Clustering durch. Zu jeder Zeile von Samples werden die Mitgliedschaftswerte in allen Clusterzentren berechnet. Dann werden die Clusterzentren neu berechnet.
Der Prozess endet, wenn eine vorgegebene Anzahl von Iterationen durchgeführt wurde oder der Quantisierungsfehler eine vorgegebene Obergrenze nicht überschreitet.
Wenn von Anfang an die Abbruchbedingung erfüllt ist, ist Centers == InitialCenters
Richard O. Duda, Peter E. Hart, David G. Stork, 'Pattern Classification', John Wiley & Sons Inc., New York, Chichester, Weinheim, Brisbane, Singapore, Toronto, Second Edition, 2001