k均值聚類的實現中，把每個樣本劃分到單一的類別中，亦即是每個樣本只能屬於一種類別，不能屬於多種類別。這樣的劃分，稱為硬劃分。
為了解決硬劃分所帶來的問題，因此有了稱為軟劃分的聚類演算法，這一類演算法中，每個樣本不再只能屬於一種類別，而是對於每個樣本，都有對應的隸屬度陣列，陣列裡的每乙個元素代表該樣本屬於某種類別的程度。而該樣本的隸屬度陣列中的總值等於1。
其目標方程以及優化的推導過程可以參照下述鏈結，個人認為推導過程十分詳細。
模糊c均值聚類推導
初始化資料集
初始化隸屬度陣列
根據隸屬度陣列更新聚類中心
根據聚類中心更新隸屬度陣列
是否達到結束條件，沒有達到則重複2-4步驟。
各個相關函式都有注釋。
#include #include #include #include typedef struct position;
//隨機生成二維資料點
//len:節點數量
//range：節點x、y值的範圍
position *randomposition(int len, int range)
else if (!a)
}return allpos;
}//fcm初始化：隸屬度矩陣
//posnum：節點數量
//clusternum：聚類中心數量
double **init(int posnum, int clusternum){
double **u = (double **)malloc(sizeof(double *) * clusternum);
for (int i = 0; i 可以看到，其目標函式的值是逐漸減少的，最後達到穩定的狀態。
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...
模糊C均值聚類
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。1973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...
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....