半监督模糊聚类算法FCM,SFCM,SSFCM理论和代码

参考学习:https://blog.csdn.net/weixin_42663919/article/details/89525967#commentBox
FCM

function [center, U, obj_fcn] = FCMClust(data, cluster_n)
data_n = size(data, 1); % 求出data的第一维(rows)数,即样本个数 [center, U, obj_fcn]
= FCMClust(data, cluster_n)
in_n = size(data, 2);   % 求出data的第二维(columns)数,即特征值长度
% 默认操作参数
options = [2; % 隶属度矩阵U的指数
    1000;                % 最大迭代次数
    1e-5;               % 隶属度最小变化量,迭代终止条件
    1];                 % 每次迭代是否输出信息标志
  
%将options 中的分量分别赋值给四个变量;
expo = options(1);          % 隶属度矩阵U的指数
max_iter = options(2);  % 最大迭代次数
min_impro = options(3);  % 隶属度最小变化量,迭代终止条件
display = options(4);  % 每次迭代是否输出信息标志
 
obj_fcn = zeros(max_iter, 1); % 初始化输出参数obj_fcn
 
U = initfcm(cluster_n, data_n);     % 初始化模糊分配矩阵,使U满足列上相加为1,cluster_n=2,用户填上去的种类数c=cluster_n
% Main loop  主要循环
for i = 1:max_iter,
    %在第k步循环中改变聚类中心ceneter,和分配函数U的隶属度值;
    [U, center, obj_fcn(i)] = stepfcm(data, U, cluster_n, expo);
    if display,
       fprintf('FCM:Iteration count = %d, obj. fcn = %f\n', i, obj_fcn(i));
    end
 % 终止条件判别
    if i>1
      if abs(obj_fcn(i) - obj_fcn(i-1)) < min_impro
            break;
      end
    end
end
 
iter_n = i; % 实际迭代次数
%obj_fcn(iter_n+1:max_iter) = [];
end

 
% 子函数
function U = initfcm(cluster_n, data_n)
% 初始化fcm的隶属度函数矩阵
% 输入:
%   cluster_n   ---- 聚类中心个数
%   data_n      ---- 样本点数
% 输出:
%   U           ---- 初始化的隶属度矩阵
U = rand(cluster_n, data_n);
col_sum = sum(U);
U = U./col_sum(ones(cluster_n, 1), :);%归一化
end
 
 
% 子函数
function [U_new, center, obj_fcn] = stepfcm(data, U, cluster_n, expo)
% 模糊C均值聚类时迭代的一步
% 输入:
%   data        ---- nxm矩阵,表示n个样本,每个样本具有m的维特征值
%   U           ---- 隶属度矩阵
%   cluster_n   ---- 标量,表示聚合中心数目,即类别数
%   expo        ---- 隶属度矩阵U的指数                     
% 输出:
%   U_new       ---- 迭代计算出的新的隶属度矩阵
%   center      ---- 迭代计算出的新的聚类中心
%   obj_fcn     ---- 目标函数值
mf = U.^expo;       % 隶属度矩阵进行指数运算结果
center = mf*data./((ones(size(data, 2), 1)*sum(mf'))'); % 新聚类中心(5.4)式
dist = distfcm(center, data);       % 计算距离矩阵
obj_fcn = sum(sum((dist.^2).*mf));  % 计算目标函数值 (5.1)式
tmp = dist.^(-2/(expo-1));    
U_new = tmp./(ones(cluster_n, 1)*sum(tmp));  % 计算新的隶属度矩阵 (5.3)式
 
end
 
 
% 子函数
function out = distfcm(center, data)
% 计算样本点距离聚类中心的距离
% 输入:
%   center     ---- 聚类中心
%   data       ---- 样本点
% 输出:
%   out        ---- 距离
out = zeros(size(center, 1), size(data, 1));
  for k = 1:size(center, 1), % 对每一个聚类中心
    % 每一次循环求得所有样本点到一个聚类中心的距离
    out(k, :) = sqrt(sum(((data-ones(size(data,1),1)*center(k,:)).^2)',1));
  end
end

SFCM

function [center, U, obj_fcn] = SFCMClust(data, cluster_n,data_label)%data_label是30*14维,包括标签,data是30*13维,不包括标签
data_n = size(data, 1); % 求出data的第一维(rows)数,即样本个数
in_n = size(data, 2);   % 求出data的第二维(columns)数,即特征值长度
% 默认操作参数
options = [2; % 隶属度矩阵U的指数
   1000;                % 最大迭代次数
   1e-5;               % 隶属度最小变化量,迭代终止条件
   1];                 % 每次迭代是否输出信息标志

%将options 中的分量分别赋值给四个变量;
expo = options(1);          % 隶属度矩阵U的指数
max_iter = options(2);  % 最大迭代次数
min_impro = options(3);  % 隶属度最小变化量,迭代终止条件
display = options(4);  % 每次迭代是否输出信息标志

obj_fcn = zeros(max_iter, 1); % 初始化输出参数obj_fcn
%初始化center,F
[center0,F] = initcenter(data_label,data,cluster_n);
%[center_useless,F_fcm,obj_fcn_useless] = fcm(data_label0,cluster_n,options); 
%F=[F_fcm,F(:,31:178)];
% 初始化模糊分配矩阵,使U满足列上相加为1,cluster_n=2,用户填上去的种类数c=cluster_n
a=5;%5比6好
U = initfcm(cluster_n, data,center0,F,a,expo); 
% Main loop  主要循环
for i = 1:max_iter,
   if i==1
       dist = distfcm(center0, data); 
       mf = U.^expo; 
       obj_fcn(1)=sum(sum((dist.^2).*mf))+a*sum(sum((dist.^2).*((U-F).^expo)));
   %在第k步循环中改变聚类中心ceneter,和分配函数U的隶属度值;
   else
       [U, center, obj_fcn(i)] = stepfcm(data, U, cluster_n, expo,a,F);
   end
   if display,
      fprintf('SFCM:Iteration count = %d, obj. fcn = %f\n', i, obj_fcn(i));
   end
% 终止条件判别
   if i>1
     if abs(obj_fcn(i) - obj_fcn(i-1)) < min_impro
           break;
     end
   end
end

iter_n = i; % 实际迭代次数
%obj_fcn(iter_n+1:max_iter) = [];
end


function [center,F] = initcenter(data_label,data,cluster_n)%默认为分3类
center=zeros(cluster_n,size(data, 2));%可能要改
F=zeros(cluster_n,size(data, 1));%可能要改
for k=1:cluster_n
 for i=1:size(data_label,1)%center第一行,第一类
   if data_label(i,1)==k
       F(k,i)=1;
       for j=2:size(data_label,2)-1
          center(k,j)=(data_label(i,j)+center(k,j))/i;
       end
   end
 end
end

% for i=1:size(data_label,1)%center第2行,第2类
%     if data_label(i,1)==2
%         F(2,i)=1;
%         for j=2:size(data_label,2)-1
%            center(2,j)=(data_label(i,j)+center(2,j))/i;
%         end
%     end
% end
%    
% for i=1:size(data_label,1)%center第3行,第3类
%     if data_label(i,1)==3
%         F(3,i)=1;
%         for j=2:size(data_label,2)-1
%            center(3,j)=(data_label(i,j)+center(3,j))/i;
%         end
%     end
% end
  
end


% 子函数
function U = initfcm(cluster_n,data,center0,F,a,expo)%a=6
% 初始化fcm的隶属度函数矩阵
% 输入:
%   cluster_n   ---- 聚类中心个数
%   data_n      ---- 样本点数
% 输出:
%   U           ---- 初始化的隶属度矩阵
% U = rand(cluster_n, data_n);
% col_sum = sum(U);                      
% U = U./col_sum(ones(cluster_n, 1), :);%归一化
dist = distfcm(center0, data); 
tmp = dist.^(-2/(expo-1)); 
%U= tmp./(ones(cluster_n, 1)*sum(tmp));
U_fcm= tmp./(ones(cluster_n, 1)*sum(tmp));
U_3 =(a/(1+a))* U_fcm.*(ones(cluster_n,1)*sum(F));
U=U_fcm+(a/(1+a))*F-U_3;
end


% 子函数
function [U_new, center, obj_fcn] = stepfcm(data,U,cluster_n, expo,a,F)
% 模糊C均值聚类时迭代的一步
% 输入:
%   data        ---- nxm矩阵,表示n个样本,每个样本具有m的维特征值
%   U           ---- 隶属度矩阵
%   cluster_n   ---- 标量,表示聚合中心数目,即类别数
%   expo        ---- 隶属度矩阵U的指数                     
% 输出:
%   U_new       ---- 迭代计算出的新的隶属度矩阵
%   center      ---- 迭代计算出的新的聚类中心
%   obj_fcn     ---- 目标函数值
mf = U.^expo;       % 隶属度矩阵进行指数运算结果
center = mf*data./((ones(size(data, 2), 1)*sum(mf'))'); % 新聚类中心(7)式
     % 计算距离矩阵
dist = distfcm(center, data);
tmp = dist.^(-2/(expo-1));    
U_fcm= tmp./(ones(cluster_n, 1)*sum(tmp));
U_3 =(a/(1+a))* U_fcm.*((ones(cluster_n,1)*sum(F)));
U_new=U_fcm+(a/(1+a))*F-U_3;
obj_fcn =sum(sum((dist.^2).*mf))+a*sum(sum((dist.^2).*((U-F).^expo)));  % 计算目标函数值 (4)式

end


% 子函数
function out = distfcm(center, data)
% 计算样本点距离聚类中心的距离
% 输入:
%   center     ---- 聚类中心
%   data       ---- 样本点
% 输出:
%   out        ---- 距离
out = zeros(size(center, 1), size(data, 1));
 for k = 1:size(center, 1), % 对每一个聚类中心
   % 每一次循环求得所有样本点到一个聚类中心的距离
   out(k, :) = sqrt(sum(((data-ones(size(data,1),1)*center(k,:)).^2)',1));
 end
end`

SSFCM


function [center, U] = SSFCMClust(data, cluster_n,data_label)%data_label是30*14维,包括标签,data_label0是30*13维,不包括标签
data_n = size(data, 1); % 求出data的第一维(rows)数,即样本个数
in_n = size(data, 2);   % 求出data的第二维(columns)数,即特征值长度
% 默认操作参数
options = [2; % 隶属度矩阵U的指数
   1000;                % 最大迭代次数
   1e-5;               % 隶属度最小变化量,迭代终止条件
   1];                 % 每次迭代是否输出信息标志

%将options 中的分量分别赋值给四个变量;
expo = options(1);          % 隶属度矩阵U的指数
max_iter = options(2);  % 最大迭代次数
min_impro = options(3);  % 隶属度最小变化量,迭代终止条件
display = options(4);  % 每次迭代是否输出信息标志

center_count = zeros(max_iter, 1); % 初始化输出参数obj_fcn
%初始化center,F
[center0,F] = initcenter(data_label,data,cluster_n);
% 初始化模糊分配矩阵,使U满足列上相加为1,cluster_n=2,用户填上去的种类数c=cluster_n
a=5;%5比6好
U = initfcm(cluster_n, data,center0,F,a,expo); %首个U,center0不用于判断
label_number=size(data_label,1);
label_number
% Main loop  主要循环
for i = 1:max_iter,
       [U, center] = stepfcm(data, U, cluster_n, expo,a,F,label_number);
       center_count(i)=norm(center);%求模norm
   if display,
      fprintf('SSFCM:Iteration count = %d\n', i);
   end
% 终止条件判别
   if i>1
     if abs(center_count(i) - center_count(i-1)) < min_impro
           break;
     end
   end
end

iter_n = i; % 实际迭代次数
%obj_fcn(iter_n+1:max_iter) = [];
end


function [center,F] = initcenter(data_label,data,cluster_n)%默认为分3类
center=zeros(cluster_n,size(data, 2));%可能要改
F=zeros(cluster_n,size(data, 1));%可能要改
for k=1:cluster_n
 for i=1:size(data_label,1)%center第一行,第一类
   if data_label(i,1)==k
       F(k,i)=1;
       for j=2:size(data_label,2)-1
          center(k,j)=(data_label(i,j)+center(k,j))/i;
       end
   end
 end
end
  
end


% 子函数
function U = initfcm(cluster_n,data,center0,F,a,expo)%a=6
% 初始化fcm的隶属度函数矩阵
% 输入:
%   cluster_n   ---- 聚类中心个数
%   data_n      ---- 样本点数
% 输出:
%   U           ---- 初始化的隶属度矩阵
% U = rand(cluster_n, data_n);
% col_sum = sum(U);                      
% U = U./col_sum(ones(cluster_n, 1), :);%归一化
dist = distfcm(center0, data); 
tmp = dist.^(-2/(expo-1)); 
%U= tmp./(ones(cluster_n, 1)*sum(tmp));
U_fcm= tmp./(ones(cluster_n, 1)*sum(tmp));
U_3 =(a/(1+a))* U_fcm.*(ones(cluster_n,1)*sum(F));
U=U_fcm+(a/(1+a))*F-U_3;
end


% 子函数
function [U_new, center] = stepfcm(data,U,cluster_n, expo,a,F,label_number)
% 模糊C均值聚类时迭代的一步
% 输入:
%   data        ---- nxm矩阵,表示n个样本,每个样本具有m的维特征值
%   U           ---- 隶属度矩阵
%   cluster_n   ---- 标量,表示聚合中心数目,即类别数
%   expo        ---- 隶属度矩阵U的指数                     
% 输出:
%   U_new       ---- 迭代计算出的新的隶属度矩阵
%   center      ---- 迭代计算出的新的聚类中心
%   obj_fcn     ---- 目标函数值
mf = U.^expo; % 隶属度矩阵进行指数运算结果
%计算center改变U
mf_ss=[mf(:,1:label_number)*a^expo,mf(:,(label_number+1):size(data, 1))];%使U前30列乘上a
center = mf_ss*data./((ones(size(data, 2), 1)*sum(mf_ss'))'); % 新聚类中心(7)式
     % 计算距离矩阵
dist = distfcm(center, data);
tmp = dist.^(-2/(expo-1));    
U_fcm= tmp./(ones(cluster_n, 1)*sum(tmp));
U_3 =(a/(1+a))* U_fcm.*((ones(cluster_n,1)*sum(F)));
U_new=U_fcm+(a/(1+a))*F-U_3;

end


% 子函数
function out = distfcm(center, data)
% 计算样本点距离聚类中心的距离
% 输入:
%   center     ---- 聚类中心
%   data       ---- 样本点
% 输出:
%   out        ---- 距离
out = zeros(size(center, 1), size(data, 1));
 for k = 1:size(center, 1), % 对每一个聚类中心
   % 每一次循环求得所有样本点到一个聚类中心的距离
   out(k, :) = sqrt(sum(((data-ones(size(data,1),1)*center(k,:)).^2)',1));
 end
end

测试代码


function []=test(cluster_n,label_number,method)
%function [center, U, obj_fcn] = SFCMClust(data, cluster_n,data_label)%data_label是30*14维,包括标签
[data1,data2,data3,data4,data5,data6,data7,data8,data9,data10,data11,data12,data13,data14]=textread('.\avila9.txt','%f%f%f%f%f%f%f%f%f%f%f%f%f%f','delimiter', ',');
data=[data2,data3,data4,data5,data6,data7,data8,data9,data10,data11,data12,data13,data14];
data_label=[data1(1:label_number),data(1:label_number,:)];
%[center, U] = SSFCMClust2(data,3,data_label);
tic
check=ones(1,size(data,1));
count_error=0;
switch method
  case 'fcm'
      [center, U, obj_fcn] = FCMClust(data, cluster_n);
  case 'sfcm'
     [center, U, obj_fcn] = SFCMClust(data,cluster_n,data_label);
  case 'ssfcm'
      [center, U] = SSFCMClust(data,cluster_n,data_label);
  case 'kmeans'
      Idx=kmeans(data,cluster_n);
      for j=1:size(Idx,1)
        if data1(j,1)~=Idx(j,1);%若类别分不对
         check(1,j)=0;
         %disp(['error',num2str(Idx(j,1))]);
         %disp(['origin',num2str(data1(j,1))]);%disp(data1(index1(i)));
         %disp(j);
         count_error=count_error+1;
        end
     end
      
end

%[center,U,obj_fcn] = fcm(data, cluster_n);
if (~strcmp(method,'kmeans'))%method~='kmeans'
maxU = max(U);
for p=1:cluster_n
 index = find(U(p,:) == maxU);%位置对应 
  for j=1:size(index,2)%有几个属于l类
     if data1(index(j),1)~=p
         check(1,index(j))=0;
         %disp(['error',num2str(p)]);
         %disp(['origin',num2str(data1(index(j)))]);%disp(data1(index1(i)));
         %disp(index(j));
         count_error=count_error+1;
     end
  end
end
end
toc
disp(['运行时间: ',num2str(toc)]);
disp(['error number',num2str(count_error)]);
disp(['error rate',num2str(count_error/size(data,1)*100),'%']);
disp(['accuracy rate',num2str((1-count_error/size(data,1))*100),'%']);
end

posted @ 2019-07-28 21:10  princeness  阅读(1782)  评论(0编辑  收藏  举报