基于MATLAB的模糊ISODATA算法设计

四、模糊ISODATA算法MATLAB程序实现

（一）模糊ISODATA算法MATLAB程序流程图

开始 设定参数 选择初始聚类中心 计算初始隶属度矩阵 求各类的新的聚类中心Zi(L) 计算新的隶属度矩阵U(L?1) N max{?(L?1)??(L)}??ijiji,jY Y 类别调整： 合并、分解或删除 N 分类清晰化 结束

（二）模糊ISODATA算法程序运行结果及分析

以前29组数据样本为参考,调节参数

7

标准答案35003000第二特征250020001500050010001500第一特征200025003000 1、初始化数据

Nc = 4; % 初始聚类中心数目 m = 2; % 控制聚类结果模糊程度 L = 0; % 迭代次数

Lmax = 1000; % 最大迭代次数

Nc_all = ones(Lmax,2); % 各次迭代的分类数

Udmax = 10; %最后一次的隶属度与前一次的隶属度的差值的初始值 e = 0.00005; % 收敛参数 a = 0.33; % 合并阈值系数

b = 1; % 模糊化方差参数（通常取1）

r = 0.1; % 分解阈值参数（算法使用者掌握的参数，控制G(K)的上升速度） f = 0.68; % 隶属度阈值（一般取值0-0.5之间）

Avms = 0.83; % 平均隶属度阈值（一般应大于0.5，0.55-0.6之间取值比较适宜） k_divide = 0.9; %分裂1数（取0-1之间）

8

w = 0.2; % 删除条件参数

标准答案35003000第二特征250020001500050010001500第一特征200025003000 1.1、在上述初始化数据条件下程序运行结果如下：

程序运行结果35003000第二特征250020001500050010001500第一特征9

200025003000

程序运行结果350030002500第三特征2000150010005000100020003000第一特征350030002500第二特征20001500 1.2、初始Nc=5时聚类结果如下：

标准答案35003000第二特征250020001500050010001500第一特征200025003000 10