模糊等价矩阵的编程可以通过多种方法实现，包括使用Matlab或Python等编程语言。以下是使用Matlab实现模糊等价矩阵的一般步骤和代码示例：
数据预处理
对数据进行标准化处理，以消除量纲的影响。常用的变换方法包括标准差变换和极差变换。
建立模糊相似矩阵
可以采用不同的方法计算模糊相似矩阵，如夹角余弦法、相关系数法、算术平均法、几何平均法和最大最小法等。
求模糊等价矩阵
使用传递闭包法求模糊等价矩阵。传递闭包法是一种逐步构建模糊等价矩阵的方法，直到满足传递性为止。
绘制动态聚类图
根据模糊等价矩阵，可以绘制动态聚类图，以直观地展示聚类结果。
确定最佳分类结果
根据模糊等价矩阵，可以确定最佳的分类结果。
```matlab
% 示例数据
data = [21 63 19 40 1.567 106； 23 74 30 75 2.693 54； 119 179 50 100 0.345 78]；
% 数据标准化处理
normalized_data = （data - min（data）） / （max（data） - min（data））；
% 建立模糊相似矩阵（这里使用最大最小法）
Fuzzy_Similarity_Matrix = max（normalized_data, [], 2） * min（normalized_data, [], 2）；
% 求模糊等价矩阵（传递闭包法）
[R, C] = fcm（Fuzzy_Similarity_Matrix）；
% 传递闭包
for i = 1:size（R, 1）
for j = 1:size（R, 1）
for k = 1:size（R, 1）
if R（i, k） > 0 && R（k, j） > 0 && R（i, j） < R（i, k） + R（k, j）
R（i, j） = 1；
end
end
end
end
% 显示模糊等价矩阵
disp（R）；
% 绘制动态聚类图（这里使用简单的颜色映射）
figure；
imshow（R, []）；
colorbar；
title（'模糊等价矩阵'）；
```
在这个示例中，我们首先对数据进行了标准化处理，然后使用最大最小法建立了模糊相似矩阵，并通过传递闭包法求出了模糊等价矩阵。最后，我们使用`imshow`函数绘制了模糊等价矩阵，以便更直观地展示聚类结果。
如果你更喜欢使用Python，可以使用`scikit-fuzzy`库来实现类似的功能。以下是一个使用Python和`scikit-fuzzy`库的示例代码：