- （1）设定簇的数目𝑐和阈值𝜀，并令𝑠 = 0。随机初始化所有样本对所有簇的隶属度，并将其记录在隶属度矩阵𝑄中， 即：
Q 0 = ( α 11 . . α 1 c . . . . . . α n 1 . . α n c ) \mathbf{Q}^0=\left( \begin{matrix} \mathbf{\alpha }{11}& ..& \mathbf{\alpha }{1\mathbf{c}}\ ..& ..& ..\ \mathbf{\alpha }{\mathbf{n}1}& ..& \mathbf{\alpha }{\mathbf{nc}}\ \end{matrix} \right)Q 0 =⎝⎛α1 1 ..αn 1 ……α1 c ..αn c ⎠⎞
其中元素𝛼𝑖𝑗为非负实数且满足隶属度约束条件∑ j = 1 c α i j = 1 \sum_{\mathbf{j}=1}^{\mathbf{c}}{\mathbf{\alpha }{\mathbf{ij}}}=1 ∑j =1 c αi j =1。 （2）使用隶属度矩阵𝑄计算各簇的聚类中心u j s \mathbf{u}{\mathbf{j}}^{\mathbf{s}}u j s ,𝑗 = 1,2, … , 𝑐， 计算目标函数值Js。 （3）若𝐽𝑠≥ε或| 𝐽𝑠 − 𝐽𝑠−1| ≥ ε，则更新隶属度矩阵𝑄，令𝑠=𝑠+1并返回步骤2；否则，依据隶属度矩阵𝑄𝑠得到聚类结果并结束算法。
Original: https://blog.csdn.net/acceptedday/article/details/119834926
Author: Super__Tiger
Title: 模糊c–均值聚类算法的原理解释及推导
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/550950/
转载文章受原作者版权保护。转载请注明原作者出处！