diff --git a/partitioners/CMeans.py b/partitioners/CMeans.py
index 70ec288..94aec96 100644
--- a/partitioners/CMeans.py
+++ b/partitioners/CMeans.py
@@ -83,6 +83,7 @@ def CMeansPartitionerTrimf(data,npart,names = None,prefix = "A"):
     centroides = c_means(npart, data, 1)
     centroides.append(dmax)
     centroides.append(dmin)
+    centroides = list(set(centroides))
     centroides.sort()
     for c in np.arange(1,len(centroides)-1):
         sets.append(common.FuzzySet(prefix+str(c),common.trimf,[round(centroides[c-1],3), round(centroides[c],3), round(centroides[c+1],3)], round(centroides[c],3) ) )
diff --git a/partitioners/FCM.py b/partitioners/FCM.py
new file mode 100644
index 0000000..1f98551
--- /dev/null
+++ b/partitioners/FCM.py
@@ -0,0 +1,113 @@
+import numpy as np
+import math
+import random as rnd
+import functools,operator
+from pyFTS import *
+#import CMeans
+
+
+def distancia(x,y):
+    if isinstance(x, list):
+        tmp = functools.reduce(operator.add, [(x[k] - y[k])**2 for k in range(0,len(x))])
+    else:
+        tmp = (x - y) ** 2
+    return math.sqrt(tmp)
+
+def pert(val, vals):
+    soma = 0
+    for k in vals:
+        if k == 0:
+            k = 1
+        soma = soma + (val / k) ** 2
+
+    return soma
+
+
+def fuzzy_cmeans(k, dados, tam, m, deltadist=0.001):
+    tam_dados = len(dados)
+
+    # Inicializa as centróides escolhendo elementos aleatórios dos conjuntos
+    centroides = [dados[rnd.randint(0, tam_dados)] for kk in range(0, k)]
+
+    # Tabela de pertinência das instâncias aos grupos
+    grupos = [[0 for kk in range(0, k)] for xx in range(0, tam_dados)]
+
+    alteracaomedia = 1000
+
+    m_exp = 1 / (m - 1)
+
+    # para cada instância
+    iteracoes = 0
+
+    while iteracoes < 1000 and alteracaomedia > deltadist:
+
+        alteracaomedia = 0
+
+        # verifica a distância para cada centroide
+        # Atualiza a pertinencia daquela instância para cada um dos grupos
+
+        inst_count = 0
+        for instancia in dados:
+
+            dist_grupos = [0 for xx in range(0, k)]
+
+            grupo_count = 0
+            for grupo in centroides:
+                dist_grupos[grupo_count] = distancia(grupo, instancia)
+                grupo_count = grupo_count + 1
+
+            dist_grupos_total = functools.reduce(operator.add, [xk for xk in dist_grupos])
+
+            for grp in range(0, k):
+                if dist_grupos[grp] == 0:
+                    grupos[inst_count][grp] = 1
+                else:
+                    grupos[inst_count][grp] = 1 / pert(dist_grupos[grp], dist_grupos)
+                    # grupos[inst_count][grp] = 1/(dist_grupos[grp] / dist_grupos_total)
+                    # grupos[inst_count][grp] = (1/(dist_grupos[grp]**2))**m_exp / (1/(dist_grupos_total**2))**m_exp
+
+            inst_count = inst_count + 1
+
+        # return centroides
+
+        # atualiza cada centroide com base na Média de todos os padrões ponderados pelo grau de pertinência
+
+        grupo_count = 0
+        for grupo in centroides:
+            if tam > 1:
+                oldgrp = [xx for xx in grupo]
+                for atr in range(0, tam):
+                    soma = functools.reduce(operator.add,
+                                  [grupos[xk][grupo_count] * dados[xk][atr] for xk in range(0, tam_dados)])
+                    norm = functools.reduce(operator.add, [grupos[xk][grupo_count] for xk in range(0, tam_dados)])
+                    centroides[grupo_count][atr] = soma / norm
+            else:
+                oldgrp = grupo
+                soma = functools.reduce(operator.add,
+                                        [grupos[xk][grupo_count] * dados[xk] for xk in range(0, tam_dados)])
+                norm = functools.reduce(operator.add, [grupos[xk][grupo_count] for xk in range(0, tam_dados)])
+                centroides[grupo_count] = soma / norm
+
+            alteracaomedia = alteracaomedia + distancia(oldgrp, grupo)
+            grupo_count = grupo_count + 1
+
+        alteracaomedia = alteracaomedia / k
+        iteracoes = iteracoes + 1
+
+    return centroides
+
+def FCMPartitionerTrimf(data,npart,names = None,prefix = "A"):
+    sets = []
+    dmax = max(data)
+    dmax = dmax + dmax*0.10
+    dmin = min(data)
+    dmin = dmin - dmin*0.10
+    centroides = fuzzy_cmeans(npart, data, 1, 2)
+    centroides.append(dmax)
+    centroides.append(dmin)
+    centroides = list(set(centroides))
+    centroides.sort()
+    for c in np.arange(1,len(centroides)-1):
+        sets.append(common.FuzzySet(prefix+str(c),common.trimf,[round(centroides[c-1],3), round(centroides[c],3), round(centroides[c+1],3)], round(centroides[c],3) ) )
+
+    return sets
\ No newline at end of file