请问谁有核聚类的matlab代码？急求~~

答案：function [center, U, obj_fcn] = KFCMClust(data, cluster_n, kernel_b,options) 
% FCMClust.m   采用模糊C均值对数据集data聚为cluster_n类  
% 
% 用法： 
%   1.  [center,U,obj_fcn] = KFCMClust(Data,N_cluster,kernel_b,options); 
%   2.  [center,U,obj_fcn] = KFCMClust(Data,N_cluster,kernel_b); 
%   3.  [center,U,obj_fcn] = KFCMClust(Data,N_cluster); 
%    
% 输入： 
%   data        ---- nxm矩阵,表示n个样本,每个样本具有m的维特征值 
%   N_cluster   ---- 标量,表示聚合中心数目,即类别数 
%   kernel_b    ---- 高斯核参数b                           （缺省值：150） 
%   options     ---- 4x1矩阵，其中 
%       options(1):  隶属度矩阵U的指数，>1                  (缺省值: 2.0) 
%       options(2):  最大迭代次数                           (缺省值: 100) 
%       options(3):  隶属度最小变化量,迭代终止条件           (缺省值: 1e-5) 
%       options(4):  每次迭代是否输出信息标志                (缺省值: 1) 
% 输出： 
%   center      ---- 聚类中心 
%   U           ---- 隶属度矩阵 
%   obj_fcn     ---- 目标函数值 
%   Example: 
%       data = rand(100,2); 
%       [center,U,obj_fcn] = KFCMClust(data,2); 
%       plot(data(:,1), data(:,2),'o'); 
%       hold on; 
%       maxU = max(U); 
%       index1 = find(U(1,:) == maxU); 
%       index2 = find(U(2,:) == maxU); 
%       line(data(index1,1),data(index1,2),'marker','*','color','g'); 
%       line(data(index2,1),data(index2,2),'marker','*','color','r'); 
%       plot([center([1 2],1)],[center([1 2],2)],'*','color','k') 
%       hold off; 
 
%   Author: Genial 
%   Date:   2005.5 
 
%  一副图中显示多方图片：montage 
 
 
error(nargchk(2,4,nargin));    %检查输入参数个数 
 
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,目前没有用 
% 默认操作参数 
default_b = 150;         % 高斯核函数参数 
default_options = [2; % 隶属度矩阵U的指数 
    100;                % 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  
 
if nargin == 2, 
    kernel_b = default_b; 
 options = default_options; 
elseif nargin == 3, 
    options = default_options; 
else    %分析有options做参数时候的情况 
 % 如果输入参数个数是3那么就调用默认的option; 
    %如果用户给的opition数少于4个那么就将剩余的默认option加上; 
 if length(options) < 4,  
  tmp = default_options; 
  tmp(1:length(options)) = options; 
  options = tmp; 
    end 
    % 返回options中是数的值为0(如NaN),不是数时为1 
 nan_index = find(isnan(options)==1); 
    %将denfault_options中对应位置的参数赋值给options中不是数的位置. 
 options(nan_index) = default_options(nan_index); 
 if options(1) <= 1, 
        %如果options中的指数m不超过1报错 
  error('The exponent should be greater than 1!'); 
 end 
end 
%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 = initkfcm(cluster_n, data_n); % 初始化模糊分配矩阵,使U满足列上相加为1 
 
% 初始化聚类中心：从样本数据点中任意选取cluster_n个样本作为聚类中心。当然， 
% 如果采用某些先验知识选取中心或许能够达到加快稳定的效果，但目前不具备这功能 
index = randperm(data_n);   % 对样本序数随机排列 
center_old = data(index(1:cluster_n),:);  % 选取随机排列的序数的前cluster_n个 
 
% 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)] = stepkfcm(data,U,center_old, expo, kernel_b); 
 if display,  
  fprintf('KFCM:Iteration count = %d, obj. fcn = %f\n', i, obj_fcn(i)); 
    end 
    center_old = center;    % 用新的聚类中心代替老的聚类中心 
 % 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) = []; 
 
 
% 子函数 
function U = initkfcm(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), :); 
 
 
 
% 子函数 
function [U_new,center_new,obj_fcn] = stepkfcm(data,U,center,expo,kernel_b) 
% 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 
%   center      ---- 聚类中心 
%   expo        ---- 隶属度矩阵U的指数          
%   kernel_b    ---- 高斯核函数的参数 
% 输出： 
%   U_new       ---- 迭代计算出的新的隶属度矩阵 
%   center_new  ---- 迭代计算出的新的聚类中心 
%   obj_fcn     ---- 目标函数值 
feature_n = size(data,2);  % 特征维数 
cluster_n = size(center,1); % 聚类个数 
mf = U.^expo;       % 隶属度矩阵进行指数运算（c行n列) 
 
% 计算新的聚类中心;根据(5.15）式 
KernelMat = gaussKernel(center,data,kernel_b); % 计算高斯核矩阵(c行n列) 
num = mf.*KernelMat * data;   % 式(5.15)的分子(c行p列,p为特征维数) 
den = sum(mf.*KernelMat,2);   % 式子(5.15)的分子，(c行,1列,尚未扩展) 
center_new = num./(den*ones(1,feature_n)); % 计算新的聚类中心(c行p列,c个中心) 
 
% 计算新的隶属度矩阵；根据(5.14)式子 
kdist = distkfcm(center_new, data, kernel_b);    % 计算距离矩阵 
obj_fcn = sum(sum((kdist.^2).*mf));  % 计算目标函数值 (5.11)式 
tmp = kdist.^(-1/(expo-1));      
U_new = tmp./(ones(cluster_n, 1)*sum(tmp));  
 
 
 
% 子函数 
function out = distkfcm(center, data, kernel_b) 
% 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 
cluster_n = size(center, 1); 
data_n = size(data, 1); 
out = zeros(cluster_n, data_n); 
for i = 1:cluster_n % 对每个聚类中心  
    vi = center(i,:); 
    out(i,:) = 2-2*gaussKernel(vi,data,kernel_b); 
end 
 
 
 
% 子函数 
function out = gaussKernel(center,data,kernel_b) 
% 高斯核函数计算 
% 输入: 
%   center      ---- 模糊聚类中心 
%   data        ---- 样本数据点 
%   kernel_b    ---- 高斯核参数 
% 输出： 
%   out         ---- 高斯核计算结果 
if nargin == 2 
    kernel_b = 150; 
end 
dist = 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 
    dist(k, :) = sqrt(sum(((data-ones(size(data,1),1)*center(k,:)).^2)',1)); 
end 
out = exp(-dist.^2/kernel_b^2);

上一个：谁能提供一份关于RFID的基于MATLAB仿真的源代码，谢谢，请发到pingdeqiang@163.com中，非常感谢
下一个：用matlab对简单数字图像进行数字聚类处理代码，最好附上...