function [c,u,dist]=self_kfcm(data,k,iter,err,w)
%c 返回各类中心
%u 返回隶属度矩阵
%dist 返回各类内距离之和
%data 数据集
%n 希望聚成的类数
%iter 迭代数
%err 最小误差
%w 高斯核函数的宽度
%%
%初始化
[m,n]=size(data);
c=zeros(k,n);
u=zeros(m,k);
dist=[];
%%
%确定初始类中心
for i=1:k
    c(i,:)=data(i,:);
end
%%
k_dist=zeros(m,k);
for t=1:iter
    disp(c);
    %各点与各类中心的距离（一部分）
    for i=1:m
        for j=1:k
            k_dist(i,j)=exp((-1/(w^2))*((data(i,:)*data(i,:)'+c(j,:)*c(j,:)'-2*data(i,:)*c(j,:)')));
        end
    end
   % disp(k_dist);
    %disp('**************************************************')
    %隶属度计算
    for j=1:m
        for l=1:k
            u(j,l)=(1-k_dist(j,l))^(-1);
        end
    end
  %  disp('一部分u')
   % disp(u);
    a=0;
    u_copy=u;
    for i=1:m     
        for l=1:k
            a=sum(u_copy(i,:));
            u(i,l)=(u(i,l)/a);
        end
    end
    u(isnan(u))=1;
  %  disp(u);
    %距离计算
    dist_k=zeros(1,k);
    for l=1:k
            dist_k(1,l)=2*((u(:,l).^2)'*(1-k_dist(:,l)));
    end
    dist=[dist,sum(dist_k)];
    if length(dist)>=2
        err1=abs(dist(length(dist)-1)-dist(length(dist)));
        if err1<=err
            disp('达到误差要求');
            disp('当前迭代次数为：');
            disp(t)
            break;
        end
    end
    %重新确定类中心
    pre_c=c;
    ans=zeros(m,n);
    for i=1:k  
        for j=1:m
            ans(j,:)=u(j,i)^2*k_dist(j,i)*data(j,:);
        end
        c(i,:)=sum(ans)/(sum((u(:,i).^2)'*(k_dist(:,i))));
    end
  %  disp(ans);
    if pre_c==c
        disp('类中心不变');
        disp('当前迭代次数');
        disp(t)
        break;
    end   
  %  disp(c)
   % disp('~~~~~~~~~~~~~~~~~~~~~~~~~~')
    if t==iter
        disp('迭代次数用尽')
    end
end

这是我自己编的，也不知道对不对，反正跑出来了结果，但是总感觉怪怪的，下面是自己跑出的结果对比图（iris数据集上）：

如果不对的话，有什么逻辑错误或者代码错误，欢迎各位在底下留言批评改正。