经典的模糊分类器由规则组成，每个规则描述一个类。 在本文中，提出了一种新的模糊模型结构，其中每个规则可以表示具有不同概率的多个类。 获得的分类器可以被认为是二次贝叶斯分类器的扩展，它利用模型的混合来估计类条件密度。 有人提出了一种监督聚类算法来识别这种模糊模型。 模糊分类器的相关输入变量是基于通过 Fisher 的类间可分离性标准对聚类进行的分析来选择的。 这种新方法应用于著名的葡萄酒和威斯康星乳腺癌分类问题。 它也被描述在： J. Abonyi, F. Szeifert，用于识别模糊分类器的监督模糊聚类，模式识别快报，24(14) 2195-2207，2003 年 10 月 如需更多 MATLAB 工具，请访问： http://www.abonyilab.com/software-and-data

模糊分类工具基于属于指定集合的概率对输入数据进行重分类或转换至介于 0 到 1 的范围内。0 分配给确定不属于指定集合的位置，1 分配给确定属于指定集合那些值，0 到 1 之间整个范围的概率分配给某些等级的可能成员（值越大，概率越大）。

针对红外图像的火焰识别,采用基于粒子群优化算法的二维最大熵阈值选取方法,选取最佳阈值对红外图像进行分割,使可疑区域从背景中分离出来.选择物体的高度作为特征量,采用标准模板序列,设计两层模糊分类器分析物体的高度变化和灰度分布,给出可疑目标隶属于火焰的评价.实验证明,这种结合火焰动、静特性的算法鲁棒性强,识别率及灵敏度较高,适用于广范围的火灾监控.

众所周知，没有足够的关于神经模糊分类器的 Matlab 程序。 一般使用ANFIS作为分类器。 ANFIS 是一个函数逼近程序。 但是，使用 ANFIS 进行分类是不利的。 例如，有3个类别，分别标记为1、2和3。ANFIS输出不是整数。 出于这个原因，ANFIS 输出被四舍五入，并确定了类标签。 但是，有时，ANFIS 可以给出 0 或 4 个类别标签。 不接受这些情况。 因此，ANFIS 不适用于分类问题。 在这项研究中，我准备了不同的自适应神经模糊分类器。 在下面给出的所有程序中，我使用 k-means 算法来初始化模糊规则。 出于这个原因，用户应该给出每个类的簇数。 此外，高斯隶属函数仅用于模糊集描述，因为其简单的导数表达式第一个是 scg_nfclass.m。 该分类器基于 Jang 的神经模糊分类器 [1]。 区别在于规则权重和参数优化。 规则权重根据规则样本的数量进行调整。

基于最近邻聚类算法自适应模糊分类器.pdf

基于模糊聚类和遗传算法的具备解释性和精确性的模糊分类系统设计.pdf

模糊分类、识别与决策，全国数学建模竞赛必学，

该程序是svm和模糊的源程序，挺好用的，值得一看哦