主要用脑部图像进行分割测试，也可以自己读取图片进行测试，测试指标为JS

为了准确预测瓦斯涌出量,提出了一种基于模糊聚类和支持向量机(SVM)的瓦斯涌出量预测方法。将瓦斯涌出量相关影响因素作为特征空间中的样本,采用模糊C均值聚类对特征空间中的样本进行聚类分析,对于所得到的不同类别样本分别建立SVM预测模型。结果表明:采用单纯的SVM预测方法,对于不同特征的样本的预测个别预测误差相对较大,其最大误差为8.11%,平均误差为4.68%,采用文中所建议的用FCM对样本分类后再进行SVM预测,预测精度有明显改善,最大误差和6.94%,平均误差为3.35%,表明所建议的方法是有效和可行的。

随着信息网络技术的飞速发展，如何对规模庞大的网络数据准确高效聚类并合理应用显得尤为重要。虽然模糊C均值聚类算法（FCM）已具有良好的聚类效果，但其对初始化敏感，在处理高维大规模网络数据时易陷入局部极值问题还未被完全克服。为了解决这两个问题，提出一种分布熵和平均位距改进的自适应蝙蝠算法，利用该算法对模糊C均值的参数进行优化。在此之上，将自适应蝙蝠算法优化的模糊聚类应用于异常检测领域，提出了一种自适应蝙蝠算法优化的模糊聚类异常检测算法。理论分析和仿真实验表明，与前沿的粒子群优化FCM异常检测算法和FCM异常检测算法相比，该算法具有更好的聚类效果和检测性能。

基于模糊聚类对数字图形识别，谭军，，随着社会的不断发展，图形图像识别在现实生活中众多领域中参用的越来越广泛，在图形图像识别中最重要的环节就是对图形图像识别的

可疑制作matlab代码回归-计算-智能 此作业的目的是研究TSK （Takagi-Sugeno-Tang）模型拟合多变量非线性函数的能力。 特别是，使用来自 和 模糊神经模型的两个数据集，我们试图从可用数据中估计目标属性。 第1部分 第一个数据集用于对此类模型的训练和评估过程进行简单调查，并说明分析和解释结果的方式。 检查的模型有四个，它们在隶属函数的数量（2 或 3）和输出类型（单例或多项式）方面各不相同。 在这种情况下，数据集的小尺寸允许我们使用Grid Partition方法进行输入空间划分。 数据集： 第2部分 第二个更复杂的数据集用于更完整的建模过程，其中包括预处理步骤，例如特征选择和通过交叉验证优化模型的方法。 由于数据集较大，可能会出现规则爆炸等问题。 为了避免这种情况，首先，我们为输入分区部署了另一种称为减法聚类（SC）的方法，并且还需要通过选择最重要的特征来降低数据集的维数并拒绝不太有用的特征。 之后，我们应用Grid Search和5-fold Cross Validation来找到特征数量和集群半径的最佳组合，从而使验证误差最小。 使用该过程产生的结果，我们训练

一种模糊聚类算法MATLAB，能够将矩阵的元素按照一种聚类的方式重新排列

为了利用信息系统对象在数据空间中分布，通过对对象的模糊聚类，计算每一类在坐标轴上的统计值。利用正态概率分布特性，引入重叠度和空隙度选取合适的概率，确定最优的区间端点，实现连续属性离散化。

针对模糊C均值本文提出将基于蚁群算法的模糊聚类算法应用于文本聚类中,聚类采用二级结构,蚁群算法(ACA)作为一级结构,模糊C均值聚类FCM用于二级结构。将此算法对文本集合进行聚类实验,并用分离系数、分离熵来判断模糊划分的效果,实验结果表明,与FCM相比,该算法具有较好的聚类效果。

模糊C均值聚类算法的实现（开发环境：codeblocks,C++）

遗传FCM 模糊聚类 模糊C均值 （C++实现）源代码 遗传FCM 模糊聚类 模糊C均值 （C++实现）源代码