输入：数据矩阵$\mathit{X}\in {\mathbf{R}}^{d\times n}$，类簇数量c，自适应近邻个数k

输入：自适应近邻信息向量${\mathit{G}}_X\in {\mathbf{R}}^{1\times n}$

 1： 开始

 2： 计算 距离矩阵$\mathit{D}\in {\mathbf{R}}^{n\times n}$，矩阵第j行第k列元素按式（14）定义；

 3：     根据给定自适应近邻个数k，通过式（17）和（18）计算了参数λ；

 4：     拉格朗日乘子η根据式（19）计算；

 5：     相似度矩阵$\mathit{S}\in {\mathbf{R}}^{n\times n}$，矩阵第j行第k列元素按式（20）定义；

 6：     根据ANFCM模块（3.5）中${\mathit{G}}_{x_j}$的定义式计算样本点x_j的近邻信息；

 7： 输出 近邻信息向量G_X

输入：数据矩阵$\mathit{X}\in {\mathbf{R}}^{d\times n}$，聚类原型矩阵$\mathit{V}\in {\mathbf{R}}^{d\times c}$，类簇数量c，自适应近邻个数k

输入：类中心点自适应近邻信息向量${\mathit{G}}_V\in {\mathbf{R}}^{1\times c}$

 1： 开始

 2： 计算 距离矩阵$\mathit{D}\in {\mathbf{R}}^{c\times n}$，矩阵第i行第k列元素由$d_{ik}=‖v_i-x_k‖$定义；

 3：     根据给定自适应近邻个数k，通过式（17）和（18）计算参数λ；

 4：     拉格朗日乘子η根据式（19）计算；

 5：     相似度矩阵$\mathit{S}\in {\mathbf{R}}^{c\times n}$，矩阵第j行第k列元素按式（20）定义；

 6：     根据ANFCM模块（3.5）中${\mathit{G}}_{v_j}$的定义式计算类中心点v_i的近邻信息；

 7： 输出 近邻信息向量G_V

输入：数据矩阵$\mathit{X}\in {\mathbf{R}}^{d\times n}$，类簇数量c，样本点和类中心点近邻个数k_x和k_v

输入：隶属度矩阵$\mathit{U}\in {\mathbf{R}}^{c\times n}$

 1： 开始

 2： 初始化 随机初始化隶属度矩阵$\mathit{U}$，使满足$0\le u_{ij}\le 1$且${\mathrm{\Sigma }}_i{u}_{ij}=1$；

 3：     根据式（28）初始化聚类原型矩阵$\mathit{V}\in {\mathbf{R}}^{d\times c}$；

 4： 计算 根据算法1计算样本点的近邻信息G_X；

 5： While U not converge do：

 6：     根据算法2更新类中心点的近邻信息G_V；

 7：     根据式（25）更新隶属度矩阵U；

 8：     根据式（28）更新聚类原型矩阵V；

 9： End while

 10： 输出 近邻信息向量G_V