在MATLAB中，实现不同类型的聚类（如K-means聚类、层次聚类、模糊聚类）和分类（如神经网络分类）需要用到不同的函数和工具箱。下面我将为每种方法提供一个基本的示例代码。

1. K-means聚类

% 假设X是数据矩阵，每行是一个样本，每列是一个特征  
X = [randn(100,2)*0.75+ones(100,2);  
     randn(100,2)*0.5-ones(100,2)];  
% 指定聚类中心的数量  
k = 2;  
% 执行K-means聚类  
[idx, C] = kmeans(X, k);  
% 绘制结果  
figure;  
gscatter(X(:,1), X(:,2), idx, 'rb', 'xo');  
hold on;  
plot(C(:,1), C(:,2), 'kx', 'MarkerSize', 15, 'LineWidth', 3);  
title('K-means Clustering Results');  
legend('Cluster 1', 'Cluster 2', 'Centroids', 'Location', 'best');

2. 层次聚类（使用 linkage 和 dendrogram ）

% 使用相同的X数据  
Z = linkage(X, 'ward'); % 使用Ward方法  
% 绘制树状图  
figure;  
dendrogram(Z);  
title('Hierarchical Clustering Dendrogram');

注意：层次聚类通常不直接给出聚类结果，而是用于确定最佳的聚类数量。你可以通过树状图来观察并选择。

3. 模糊聚类（使用Fuzzy C-Means，FCM）

MATLAB的Fuzzy Logic Toolbox或第三方工具箱（如Fuzzy C-Means Clustering Toolbox）可能包含FCM算法。这里展示一个简化的思路，因为MATLAB标准工具箱中不直接提供FCM。

% 假设有Fuzzy C-Means函数fcmeans（这里仅为示意，MATLAB中可能需要额外安装）  
% [center, U, obj_fcn] = fcmeans(X, c, 2); % c是聚类数，2是模糊系数  
% 注意：由于MATLAB标准库中没有fcmeans，这里只是展示如何调用（如果可用）  
% 你可能需要从MATLAB File Exchange或其他来源获取该函数  
% 假设我们有了center, U, obj_fcn（从某处获得的FCM结果）  
% 绘制结果（假设U是隶属度矩阵）  
figure;  
gscatter(X(:,1), X(:,2), max(U, [], 2), 'rb', 'xo'); % 简化的绘制，实际应更复杂  
title('Fuzzy C-Means Clustering Results (Simplified)');

4. 神经网络分类

% 假设我们有一些训练数据X_train和对应的标签T_train  
% 这里我们使用随机数据作为示例  
X_train = [randn(100,2)*0.75+ones(100,2);  
           randn(100,2)*0.5-ones(100,2)];  
T_train = [ones(100,1); zeros(100,1)]; % 假设是二分类问题  
% 创建一个简单的神经网络  
net = patternnet(10); % 10个神经元的隐藏层  
% 划分数据为训练集、验证集和测试集（这里简单使用全部数据作为训练）  
net.divideParam.trainRatio = 1;  
net.divideParam.valRatio = 0;  
net.divideParam.testRatio = 0;  
% 训练网络  
[net,tr] = train(net,X_train',T_train'); % 注意：MATLAB神经网络工具箱要求输入是列向量  
% 假设我们有一些测试数据X_test  
X_test = [0.5 1.5; -0.5 -1.5]; % 示例测试数据  
Y_test = net(X_test'); % 进行预测  
% 显示预测结果  
disp('Predicted class labels:');  
disp(Y_test);

请注意，上述代码中的模糊聚类部分是一个简化的示例，因为MATLAB的标准工具箱中并不直接包含FCM算法。对于模糊聚类，你可能需要查找额外的工具箱或函数。此外，神经网络分类中的 patternnet 函数在某些MATLAB版本中可能已被弃用，你可以考虑使用 feedforwardnet 或其他更现代的神经网络构建方法。

在平凡的世界里

做不平凡的自己