我是靠谱客的博主 靓丽凉面,最近开发中收集的这篇文章主要介绍聚类——GAKFCM的matlab程序聚类——GAKFCM的matlab程序,觉得挺不错的,现在分享给大家,希望可以做个参考。

概述

聚类——GAKFCM的matlab程序

作者:凯鲁嘎吉 - 博客园 http://www.cnblogs.com/kailugaji/

在聚类——GAKFCM文章中已介绍了GAKFCM算法的理论知识,现在用matlab进行实现,下面这个例子是用GA初始化聚类中心。

1.matlab程序

GAKFCM_main.m

function [ave_acc_GAKFCM,max_acc_GAKFCM,min_acc_GAKFCM,ave_iter_GA,ave_iter_KFCM,ave_run_time]=GAKFCM_main(X,real_label,K)
%输入K:聚的类,max_iter是最大迭代次数,T:遗传算法最大迭代次数,n:种群个数, X:没有进行归一化
%输出ave_acc_KFCM:迭代max_iter次之后的平均准确度,iter:实际KFCM迭代次数
t0=cputime;
max_iter=20;
s=0;
s_1=0;
s_2=0;
iter_GA=zeros(max_iter,1);
iter_KFCM=zeros(max_iter,1);
accuracy=zeros(max_iter,1);
for i=1:max_iter
[label, iter_KFCM(i), ~,iter_GA(i)]=My_GAKFCM(X,K);
accuracy(i)=succeed(real_label,K,label);
s=s+accuracy(i);
s_1=s_1+iter_GA(i);
s_2=s_2+iter_KFCM(i);
fprintf('第 %2d 次,GA的迭代次数为:%2d,KFCM的迭代次数为:%2d,准确度为:%.8ftn', i, iter_GA(i), iter_KFCM(i), accuracy(i));
end
ave_acc_GAKFCM=s/max_iter;
max_acc_GAKFCM=max(accuracy);
min_acc_GAKFCM=min(accuracy);
ave_iter_GA=s_1/max_iter;
ave_iter_KFCM=s_2/max_iter;
run_time=cputime-t0;
ave_run_time=run_time/max_iter;

My_GAKFCM.m

function
[label, iter_KFCM, para_miu,iter_GA]=My_GAKFCM(X,K)
%用GA初始聚类中心
%输入K:聚类数,X:数据集
%输出:label:聚的类, para_miu:模糊聚类中心μ,iter_KFCM:KFCM迭代次数
format long
eps=1e-4;
%定义迭代终止条件的eps
alpha=2;
%模糊加权指数,[1,+无穷)
T=100;
%最大迭代次数
%sigma_2=2^(-4);
%高斯核函数的参数2*sigma^2
sigma_2=150;
%高斯核函数的参数sigma^2
[X_num,X_dim]=size(X);
fitness=zeros(X_num,1);
%目标函数
responsivity=zeros(X_num,K);
%隶属函数
R_up=zeros(X_num,K);
%隶属函数的分子部分
count=zeros(X_num,1);
%统计distant中每一行为0的个数
%随机初始化K个聚类中心
% [X_num,~]=size(X);
% rand_array=randperm(X_num);
%产生1~X_num之间整数的随机排列
% para_miu=X(rand_array(1:K),:);
%随机排列取前K个数,在X矩阵中取这K行作为初始聚类中心
%用GA初始聚类中心
[para_miu,iter_GA]=my_genetic(X,K);
% KFCM算法
for t=1:T
%欧氏距离,计算(X-para_miu)^2=X^2+para_miu^2-2*para_miu*X',矩阵大小为X_num*K
distant=(sum(X.*X,2))*ones(1,K)+ones(X_num,1)*(sum(para_miu.*para_miu,2))'-2*X*para_miu';
%高斯核函数,X_num*K的矩阵
kernel_fun=exp((-distant)./(sigma_2));
%更新隶属度矩阵X_num*K
for i=1:X_num
count(i)=sum(kernel_fun(i,:)==1);
if count(i)>0
for k=1:K
if kernel_fun(i,k)==1
responsivity(i,k)=1./count(i);
else
responsivity(i,k)=0;
end
end
else
R_up(i,:)=(1-kernel_fun(i,:)).^(-1/(alpha-1));
%隶属度矩阵的分子部分
responsivity(i,:)= R_up(i,:)./sum( R_up(i,:),2);
end
end
%目标函数值
fitness(t)=2*sum(sum((ones(X_num,K)-kernel_fun).*(responsivity.^(alpha))));
%更新聚类中心K*X_dim
miu_up=(kernel_fun.*(responsivity.^(alpha)))'*X;
%μ的分子部分
para_miu=miu_up./(sum(kernel_fun.*(responsivity.^(alpha)))'*ones(1,X_dim));
if t>1
if abs(fitness(t)-fitness(t-1))<eps
break;
end
end
end
iter_KFCM=t;
%实际迭代次数
[~,label]=max(responsivity,[],2);

succeed.m

function accuracy=succeed(real_label,K,id)
%输入K:聚的类,id:训练后的聚类结果,N*1的矩阵
N=size(id,1);
%样本个数
p=perms(1:K);
%全排列矩阵
p_col=size(p,1);
%全排列的行数
new_label=zeros(N,p_col);
%聚类结果的所有可能取值,N*p_col
num=zeros(1,p_col);
%与真实聚类结果一样的个数
%将训练结果全排列为N*p_col的矩阵,每一列为一种可能性
for i=1:N
for j=1:p_col
for k=1:K
if id(i)==k
new_label(i,j)=p(j,k);
%iris数据库,1 2 3
end
end
end
end
%与真实结果比对,计算精确度
for j=1:p_col
for i=1:N
if new_label(i,j)==real_label(i)
num(j)=num(j)+1;
end
end
end
accuracy=max(num)/N;

my_genetic.m

function [para_miu_new,iter]=my_genetic(data,K)
%data:数据集,K:聚类数
pc_0=0.6;
%初始交叉概率
pm_0=0.1;
%初始变异概率
eps=1e-4;
%定义迭代终止条件的eps
n=50;
%n:n个初始个体,每个个体为K*X_dim
T=100;
%T:最大迭代次数
pc=zeros(T,1);
%交叉概率
pm=zeros(T,1);
%变异概率
fitness=zeros(n,1);
ave_fitness=zeros(T,1);
%实数编码
%对data做最大-最小归一化处理
[data_num,~]=size(data);
X=(data-ones(data_num,1)*min(data))./(ones(data_num,1)*(max(data)-min(data)));
%产生初始种群
population=init_population(X,K,n);
for t=1:T
%更新适应度
fitness=fit_vector(X,K,population,n);
%非线性排序选择
population=sort_select(population,fitness);
%计算交叉概率,进行交叉操作
pc(t)=pc_0*(1-(t-1)/T);
population=crossover(population,pc(t));
%计算变异概率,进行变异操作
pm(t)=pm_0*(1-(t-1)/T);
population=mutation(population,pm(t));
ave_fitness(t)=sum(fitness)/n;
if t>1
if abs( ave_fitness(t)- ave_fitness(t-1))<eps
break;
end
end
end
iter=t;
%实际迭代次数
%输出适应度最大的个体
[~,index_final]=max(fitness);
para_miu=population(:,:,index_final);
%解码para_miu
para_miu_new=para_miu.*(ones(K,1)*(max(data)-min(data)))+ones(K,1)*min(data);

init_population.m

function population=init_population(X,K,n)
%data:数据集,K:聚类数,n:n个初始个体,每个个体为K*X_dim,new_index为排序后的个体序号
rand_num=3;
%rand_num:随机取rand_num个样本作为一类
[X_num,X_dim]=size(X);
individual=zeros(K,X_dim);
%individual为聚类中心矩阵,K*X_dim的矩阵
population=zeros(K,X_dim,n);
for i=1:n
%随机初始化K个聚类中心
for k=1:K
rand_array=randperm(X_num);
%产生1~X_num之间整数的随机排列
temp=X(rand_array(1:rand_num),:);
individual(k,:)=sum(temp)./rand_num;
%individual(k)为1*X_dim的矩阵,为一类的聚类中心,对rand_num取平均
end
population(:,:,i)=individual;
end

fit_vector.m

function fitness=fit_vector(X,K,population,n)
fitness=zeros(n,1);
for i=1:n
%计算个体适应度
fitness(i)=fitness_value(X,K,population(:,:,i));
%fitness为GAKFCM适应度函数
n*1的矩阵
end

fitness_value.m

function fitness=fitness_value(X,K,para_miu)
%X是数据,para_miu为每一个individual矩阵,K*X_dim,fitness为GAKFCM适应度函数
%sigma_2=2^(-4);
%高斯核函数的参数2*sigma^2
sigma_2=150;
%高斯核函数的参数sigma^2
alpha=2;
%模糊加权指数,[1,+无穷)
[X_num,~]=size(X);
responsivity=zeros(X_num,K);
%隶属函数
R_up=zeros(X_num,K);
count=zeros(X_num,1);
%统计distant中每一行为0的个数
%欧氏距离,计算(X-para_miu)^2=X^2+para_miu^2-2*para_miu*X',矩阵大小为X_num*K
distant=(sum(X.*X,2))*ones(1,K)+ones(X_num,1)*(sum(para_miu.*para_miu,2))'-2*X*para_miu';
%高斯核函数,X_num*K的矩阵
kernel_fun=exp((-distant)./(sigma_2));
%更新隶属度矩阵X_num*K
for i=1:X_num
count(i)=sum(kernel_fun(i,:)==1);
if count(i)>0
for k=1:K
if kernel_fun(i,k)==1
responsivity(i,k)=1./count(i);
else
responsivity(i,k)=0;
end
end
else
R_up(i,:)=(1-kernel_fun(i,:)).^(-1/(alpha-1));
%隶属度矩阵的分子部分
responsivity(i,:)= R_up(i,:)./sum( R_up(i,:),2);
end
end
%目标函数值
fitness_KFCM=2*sum(sum((ones(X_num,K)-kernel_fun).*(responsivity.^(alpha))));
%KFCM的目标函数
fitness=1/(1+fitness_KFCM);
%fitness为GAKFCM适应度函数

sort_select.m

function population=sort_select(population,fitness)
%q属于(0,1)为参数, i表示排序序号,本文取q=0.1
q=0.1;
[n,~]=size(fitness);
new_index=zeros(n,1);
%选择之后最优个体的序号
fun=zeros(n,1);
%非线性排序选择概率分布函数
add_pro=zeros(n,1);
%累积概率
[~,index_fit]=sort(fitness,'descend');
%将fitness按降序排序
%计算每个个体选择的概率
for i=1:n
fun(i)=q*(1-q)^(i-1);
end
new_fun=fun/sum(fun);
%求累积概率
for i=1:n
add_pro(i)=sum(new_fun(1:i));
end
%选择最优个体,求其在X中的顺序
for t=1:n
rand_pro=rand();
%[0,1]之间的随机数
if rand_pro<=add_pro(1)
new_index(t)=index_fit(1);
end
for i=2:n
if (rand_pro>add_pro(i-1))&&(rand_pro<=add_pro(i))
new_index(t)=index_fit(i);
end
end
population(:,:,t)=population(:,:,new_index(t));
end

crossover.m

function population=crossover(population,pc)
%个体之间进行交叉操作,交换两行
[K,~,n]=size(population);
num=floor(n/2);
%对n/2向下取整
for i=1:num
rand_c=rand();
%[0,1]之间的随机数
rand_pro=unidrnd(K);
%[1,K]之间的随机整数
%交换两个矩阵中的第rand_pro行
if pc>rand_c
t=population(rand_pro,:,2*i-1);
population(rand_pro,:,2*i-1)=population(rand_pro,:,2*i);
population(rand_pro,:,2*i)=t;
end
end

mutation.m

function population=mutation(population,pm)
%个体进行变异操作
[K,X_dim,n]=size(population);
for i=1:n
rand_m=rand();
%[0,1]之间的随机数
rand_pro=unidrnd(K);
%[1,K]之间的随机整数
if pm>rand_m
%对第rand_pro行进行变异操作
population(rand_pro,:,i)=rand(1,X_dim);
end
end

2.在UCI数据库的iris上的运行结果

>> data_load=dlmread('E:My matlabdatabaseiris.data');data=data_load(:,1:4);real_label=data_load(:,5);
>> [ave_acc_GAKFCM,max_acc_GAKFCM,min_acc_GAKFCM,ave_iter_GA,ave_iter_KFCM,ave_run_time]=GAKFCM_main(data,real_label,3)
第
1 次,GA的迭代次数为:10,KFCM的迭代次数为: 6,准确度为:0.89333333
第
2 次,GA的迭代次数为: 3,KFCM的迭代次数为:13,准确度为:0.89333333
第
3 次,GA的迭代次数为:39,KFCM的迭代次数为: 8,准确度为:0.89333333
第
4 次,GA的迭代次数为:66,KFCM的迭代次数为:10,准确度为:0.89333333
第
5 次,GA的迭代次数为:18,KFCM的迭代次数为: 8,准确度为:0.89333333
第
6 次,GA的迭代次数为:26,KFCM的迭代次数为: 6,准确度为:0.89333333
第
7 次,GA的迭代次数为:93,KFCM的迭代次数为: 7,准确度为:0.89333333
第
8 次,GA的迭代次数为:70,KFCM的迭代次数为: 5,准确度为:0.89333333
第
9 次,GA的迭代次数为:11,KFCM的迭代次数为: 8,准确度为:0.89333333
第 10 次,GA的迭代次数为: 9,KFCM的迭代次数为: 9,准确度为:0.89333333
第 11 次,GA的迭代次数为:80,KFCM的迭代次数为: 7,准确度为:0.89333333
第 12 次,GA的迭代次数为:39,KFCM的迭代次数为: 7,准确度为:0.89333333
第 13 次,GA的迭代次数为:12,KFCM的迭代次数为: 6,准确度为:0.89333333
第 14 次,GA的迭代次数为:22,KFCM的迭代次数为: 6,准确度为:0.89333333
第 15 次,GA的迭代次数为: 7,KFCM的迭代次数为: 8,准确度为:0.89333333
第 16 次,GA的迭代次数为:13,KFCM的迭代次数为: 8,准确度为:0.89333333
第 17 次,GA的迭代次数为:19,KFCM的迭代次数为:15,准确度为:0.89333333
第 18 次,GA的迭代次数为:22,KFCM的迭代次数为:14,准确度为:0.89333333
第 19 次,GA的迭代次数为:30,KFCM的迭代次数为: 9,准确度为:0.89333333
第 20 次,GA的迭代次数为:13,KFCM的迭代次数为: 7,准确度为:0.89333333
ave_acc_GAKFCM =
0.893333333333333
max_acc_GAKFCM =
0.893333333333333
min_acc_GAKFCM =
0.893333333333333
ave_iter_GA =
30.100000000000001
ave_iter_KFCM =
8.350000000000000
ave_run_time =
2.457812500000000

遗传算法中的具体实现细节有可能有误,望指正。

转载于:https://www.cnblogs.com/kailugaji/p/10092227.html

最后

以上就是靓丽凉面为你收集整理的聚类——GAKFCM的matlab程序聚类——GAKFCM的matlab程序的全部内容,希望文章能够帮你解决聚类——GAKFCM的matlab程序聚类——GAKFCM的matlab程序所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错,欢迎将靠谱客网站推荐给程序员好友。

本图文内容来源于网友提供,作为学习参考使用,或来自网络收集整理,版权属于原作者所有。
点赞(61)

评论列表共有 0 条评论

立即
投稿
返回
顶部