抑制式（半抑制式）模糊C-均值聚类算法（S-FCM）

聚类算法的大致发展过程HCM - FCM - RCFCM - S-FCM - HSFCM。

HCM

传统的硬C均值聚类算法的突出特点是非此即彼，隶属度函数的取值只有0和1两个数，用这种方法对样本进行分类时，由于分类标准是硬性的，聚类结果往往不够准确。

---

FCM

模糊C均值聚类算法通过将隶属度函数的取值从HCM算法的二值
{0，1}扩展到（0，1）这个区间，使得聚类结果更加合理。

算法具体介绍：http://blog.youkuaiyun.com/in_nocence/article/details/78306297

【发现问题】

但是，将HCM扩展为FCM提高聚类准确度的同时还带来了另外一个问题：算法的收敛速度变慢，这个问题在样本数大的情况下尤为明显。而且，当某一个聚类中心离所有的样本数据距离都很远时，所有数据对它都没有吸引力，这样一来，这个中心的位置就得不到调整，即它的位置在整个聚类过程中不会改变，这种现象叫做“死结点”，死结点的存在，会使HCM算法陷入局部极值，最终得到错误的聚类结果。

【分析原因】

在HCM算法中，由于聚类是硬性的，它的隶属度值非0即1，也就是说，样