在MATLAB中实现C均值聚类算法的基本步骤如下：
初始化
清除工作空间并关闭所有图形窗口：`clear； clc；`
设定类数 `c`
设定数据点的数量 `pointnum`
生成数据点，这里以二维高斯分布为例：
```matlab
pointheart = [30,30； 80,40； 50,70]； % 高斯分布产生二维随机数
point = [mvnrnd（pointheart（1,:）,[30,0；0,30],pointnum）； ...
mvnrnd（pointheart（2,:）,[30,0；0,30],pointnum）； ...
mvnrnd（pointheart（3,:）,[30,0；0,30],pointnum）]；
```
将数据点增广化，增加一列全为1的向量作为权重：
```matlab
[x,y] = size（point）；
point = [point,ones（x,1）]；
```
感知器算法
初始化权重向量 `w`，所有元素初始值为1：
```matlab
w = ones（c,3）；
```
设定迭代标志 `flag` 为1，开始迭代：
```matlab
flag = 1；
while flag == 1
flag = 0；
```
对于每个数据点 `i` 和每个聚类中心 `ii`：
```matlab
for i = 1:c
d = w * point（（i-1）*pointnum+1:i*pointnum,:）
flag2 = 0；
for iii = 1:c
if iii == i
continue；
end
if norm（d（iii,:） - d（i,:）） < 0.0001 % 设定收敛条件
flag = 1；
flag2 = 1；
w（iii,:） = w（iii,:） - p * point（（i-1）*pointnum+1:i*pointnum,:）；
end
end
if flag2 == 1
w（i,:） = w（i,:） + p * point（（i-1）*pointnum+1:i*pointnum,:）；
end
end
```
输出结果
迭代完成后，权重向量 `w` 即为各聚类中心的位置。
这个算法是基于欧式距离的C均值聚类算法，适用于简单的二维数据聚类。对于更复杂的数据集或需要更高精度的聚类结果，可以考虑使用更高级的聚类算法，如模糊C均值聚类（FCM）。
建议在实际应用中，根据数据的特点和需求选择合适的聚类算法，并适当调整算法参数以获得最佳的聚类效果。