蔡靜穎所著的《模糊聚類算法及應用》重點分析了FCM算法和馬氏距離的基本原理，從而利用馬氏距離的優點來彌補FCM算法中存在的缺陷，並從兩個方面對FCM算法進行了改進。
本書還將FCM算法和KPCA方法結合，利用KPCA進行特征提取，然後利用FCM算法進行數據聚類分析。將FCM算法應用於軟件測試中是作者未來研究的重點，本書主要介紹了將FCM算法應用於等價類劃分方法中，每個應用在本書中都做了詳盡介紹。

蔡靜穎所著的《模糊聚類算法及應用》主要針對 模糊聚類算法中最經典的FCM算法進行了繫統分析， 並對原始算法進行了改進，將經典的FCM算法和改進 的FCM算法應用於圖像識別、數據聚類和軟件測試等 不同領域。全書共分7章，第l章介紹了聚類分析發展 背景和基礎概念；第2章介紹了模糊理論基礎知識及 模糊聚類分析的方法和應用；第3章介紹了模糊c一均 值算法的理論知識和研究現狀以及目前存在的問題； 第4章介紹了馬氏距離的基本原理和處理方法；第5章 介紹了馬氏距離在模糊聚類中的應用；第6章介紹了 基於優化KPCA特征提取的FCM算法；第7章介紹了FCM 算法在軟件測試的等價類劃分方法中的應用。 本書可供從事模式識別教學研究的師生、科研人 員參考，也可供從事數據挖掘、圖像識別、軟件測試 等工作的相關人員學習。

1 緒論
1.1 聚類分析的概述
1.2 聚類分析的基礎概念
1.2.1 聚類算法的主要類型
1.2.2 聚類分析的相似度和相異度
1.3 聚類分析算法
1.3.1 聚類算法性能的衡量指標
1.3.2 基於劃分的聚類算法
1.3.3 基於層次的聚類算法
1.3.4 基於密度的聚類算法
1.3.5 基於網格的聚類算法
1.3.6 基於模型的聚類算法
1.4 聚類分析算法面臨的問題
1.5 本章小結
2 模糊理論基礎
2.1 模糊集的定義和表示方法
2.1.1 模糊集的定義
2.1.2 模糊集的表示方法
2.2 模糊集的基本概念
2.2.1 模糊集合的基本運算
2.2.2 模糊集的性質
2.2.3 隸屬度函數
2.3 模糊聚類分析
2.3.1 模糊聚類分析步驟
2.3.2 *佳閾值A的確定
2.4 模糊聚類分析應用
2.5 本章小結
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-均值聚類算法的研究現狀
3.3.1 模糊聚類目標函數的演化
3.3.2 模糊聚類算法實現途徑的研究
3.3.3 模糊聚類有效性的研究
3.4 模糊c一均值算法存在的問題
3.5 本章小結
4 馬氏距離基本原理和處理方法
4.1 馬氏距離方法基本原理
4.2 馬氏距離中奇異問題的解決方法
4.3 馬氏距離的應用
4.3.1 馬氏距離在模式識別中的應用
4.3.2 馬氏距離在其他領域的應用
4.4 本章小結
5 馬氏距離在模糊聚類中的應用
5.1 基於馬氏距離的FCM算法(F'CM—M)
5.1.1 新算法提出
5.1.2 實驗結果及分析
5.2 基於馬氏距離特征加權的模糊距離新算法(MF—FCM)
5.2.1 馬氏距離特征加權新方法
5.2.2 實驗結果及分析
5.3 基於馬氏距離的模糊c一均值增量學習算法
5.3.1 增量學習的研究背景和意義
5.3.2 基於馬氏距離的模糊c一均值增量學習算法概述
5.3.3 算法應用舉例
5.4 馬氏距離在模糊聚類中應用存在的問題
5.5 本章小結
6 基於優化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)簡介
6.1.2 核主元分析(KPCA)原理
6.2 文化算法的原理
6.3 KPCA算法的優化
6.4 基於優化KPCA特征提取的FCM算法
6.4.1 算法概述
6.4.2 算法應用舉例
6.5 本章小結
7 模糊聚類算法在軟件測試中的應用
7.1 軟件測試方法
7.1.1 測試分類
7.1.2 本地化測試
7.1.3 白盒測試
7.1.4 黑盒測試
7.1.5 靜態測試和動態測試
7.1.6 主動測試和被動測試
7.2 軟件缺陷與缺陷模式
7.2.1 軟件缺陷的類別
7.2.2 軟件缺陷的分類標準
7.2.3 軟件缺陷的構成
7.2.4 軟件缺陷的嚴重性和優先級
7.2.5 軟件缺陷的管理
7.3 基於模糊c-均值的等價類劃分法
7.3.1 算法描述
7.3.2 算法的實驗驗證
7.4 本章小結
參考文獻