模糊c均值聚類（fcm），即眾所周知的模糊isodata，是用隸屬度確定每個資料點屬於某個聚類的程度的一種聚類演算法。2023年，bezdek提出了該演算法，作為早期硬c均值聚類（hcm）方法的一種改進。
fcm把n個向量x
i（i=1,2,…,n）分為c個模糊組，並求每組的聚類中心，使得非相似性指標的價值函式達到最小。fcm與hcm的主要區別在於fcm用模糊劃分，使得每個給定資料點用值在0，1間的隸屬度來確定其屬於各個組的程度。與引入模糊劃分相適應，隸屬矩陣u允許有取值在0，1間的元素。不過，加上歸一化規定，乙個資料集的隸屬度的和總等於1.
fcm的價值函式（或目標函式）就是所有個點隸屬度乘以該點與中心的歐氏距離之和。
在批處理方式執行時，
fcm用下列步驟確定聚類中心
ci和隸屬矩陣
u[1]
： 步驟
1：用值在0，
1間的隨機數初始化隸屬矩陣
u，使其滿足式（
6.9）中的約束條件
步驟2：用式（
6.12
）計算c
個聚類中心ci，
i=1,…,c
。 步驟
3：根據式（
6.10
）計算價值函式。如果它小於某個確定的閥值，或它相對上次價值函式值的改變量小於某個閥值，則演算法停止。
步驟4：用（6.13
）計算新的
u矩陣。返回步驟2。
上述演算法也可以先初始化聚類中心，然後再執行迭代過程。由於不能確保
fcm收斂於乙個最優解。演算法的效能依賴於初始聚類中心。因此，我們要麼用另外的快速演算法確定初始聚類中心，要麼每次用不同的初始聚類中心啟動該演算法，多次執行
fcm。
迭代函式：
6.12
6.13
模糊c均值聚類
fcm演算法是一種基於劃分的聚類演算法，它的思想就是使得被劃分到同一簇的物件之間相似度最大，而不同簇之間的相似度最小。模糊c均值演算法是普通c均值演算法的改進，普通c均值演算法對於資料的劃分是硬性的，而fcm則是一種柔性的模糊劃分。在介紹fcm具體演算法之前我們先介紹一些模糊集合的基本知識。6.1....
模糊C均值聚類原理
fcm演算法是一種基於劃分的聚類演算法，它的思想就是使得被劃分到同一簇的物件之間相似度最大，而不同簇之間的相似度最小。模糊c均值演算法是普通c均值演算法的改進，普通c均值演算法對於資料的劃分是硬性的，而fcm則是一種柔性的模糊劃分。硬聚類把每個待識別的物件嚴格的劃分某類中，具有非此即彼的性質，而模糊...
模糊c均值聚類演算法
模糊c均值聚類演算法 隨著目標數目的增加，jpda所需的運算量呈指數增加，當目標的個數多到一定數目時，將引發運算量的 不滿足實時跟蹤的要求。為了解決這個問題，提出了模糊資料關聯演算法。模糊資料關聯演算法是以模糊均值聚類演算法為基礎的。該演算法通過使目標函式最小化把測量資料分別劃分到以目標 位置為中心...