《模糊聚类算法及应用》主要针对模糊聚类算法中*经典的FCM算法进行了系统分析，并对原始算法进行了改进，将经典的FCM算法和改进的FCM算法应用于图像识别、数据聚类和软件测试等不同领域。全书共分7章，第1章介绍了聚类分析发展背景和基础概念；第2章介绍了模糊理论基础知识及模糊聚类分析的方法和应用；第3章介绍了模糊c一均值算法的理论知识和研究现状以及目前存在的问题；第4章介绍了马氏距离的基本原理和处理方法；第5章介绍了马氏距离在模糊聚类中的应用；第6章介绍了基于优化KPCA特征提取的FCM算法；第7章介绍了FCM算法在软件测试的等价类划分方法中的应用。
　　《模糊聚类算法及应用》可供从事模式识别教学研究的师生、科研人员参考，也可供从事数据挖掘、图像识别、软件测试等工作的相关人员学习。

1 绪论
1.1 聚类分析的概述
1.2 聚类分析的基础概念
1.2.1 聚类算法的主要类型
1.2.2 聚类分析的相似度和相异度
1.3 聚类分析算法
1.3.1 聚类算法性能的衡量指标
1.3.2 基于划分的聚类算法
1.3.3 基于层次的聚类算法
1.3.4 基于密度的聚类算法
1.3.5 基于网格的聚类算法
1.3.6 基于模型的聚类算法
1.4 聚类分析算法面临的问题
1.5 本章小结

2 模糊理论基础
2.1 模糊集的定义和表示方法
2.1.1 模糊集的定义
2.1.2 模糊集的表示方法
2.2 模糊集的基本概念
2.2.1 模糊集合的基本运算
2.2.2 模糊集的性质
2.2.3 隶属度函数
2.3 模糊聚类分析
2.3.1 模糊聚类分析步骤
2.3.2 最佳阈值A的确定
2.4 模糊聚类分析应用
2.5 本章小结

3 模糊c-均值算法及分析
3.1 硬c-均值算法
3.2 模糊c-均值算法
3.3 模糊c-均值聚类算法的研究现状
3.3.1 模糊聚类目标函数的演化
3.3.2 模糊聚类算法实现途径的研究
3.3.3 模糊聚类有效性的研究
3.4 模糊c一均值算法存在的问题
3.5 本章小结

4 马氏距离基本原理和处理方法
4.1 马氏距离方法基本原理
4.2 马氏距离中奇异问题的解决方法
4.3 马氏距离的应用
4.3.1 马氏距离在模式识别中的应用
4.3.2 马氏距离在其他领域的应用
4.4 本章小结

5 马氏距离在模糊聚类中的应用
5.1 基于马氏距离的FCM算法（F'CM—M）
5.1.1 新算法提出
5.1.2 实验结果及分析
5.2 基于马氏距离特征加权的模糊距离新算法（MF—FCM）
5.2.1 马氏距离特征加权新方法
5.2.2 实验结果及分析
5.3 基于马氏距离的模糊c一均值增量学习算法
5.3.1 增量学习的研究背景和意义
5.3.2 基于马氏距离的模糊c一均值增量学习算法概述
5.3.3 算法应用举例
5.4 马氏距离在模糊聚类中应用存在的问题
5.5 本章小结

6 基于优化KPCA特征提取的FCM算法
6.1 核主元分析（KPCA）的原理
6.1.1 主元分析（PCA）简介
6.1.2 核主元分析（KPCA）原理
6.2 文化算法的原理
6.3 KPCA算法的优化
6.4 基于优化KPCA特征提取的FCM算法
6.4.1 算法概述
6.4.2 算法应用举例
6.5 本章小结

7 模糊聚类算法在软件测试中的应用
7.1 软件测试方法
7.1.1 测试分类
7.1.2 本地化测试
7.1.3 白盒测试
7.1.4 黑盒测试
7.1.5 静态测试和动态测试
7.1.6 主动测试和被动测试
7.2 软件缺陷与缺陷模式
7.2.1 软件缺陷的类别
7.2.2 软件缺陷的分类标准
7.2.3 软件缺陷的构成
7.2.4 软件缺陷的严重性和优先级
7.2.5 软件缺陷的管理
7.3 基于模糊c-均值的等价类划分法
7.3.1 算法描述
7.3.2 算法的实验验证
7.4 本章小结

参考文献