自组织神经网络的实现

1、可以调用MATLAB工具箱里的函数创建竞争性神经网络：主要进行分类：

newc(p,s,KLR,CLR) --------------------------------------p表示输入的范围，

s-------------------------------表示神经元的个数 KLR表示Kohonen学习速率，-------------------------------CLR表示Conscience的学习速率

<span style="font-size:18px;">p=[0.1 0.8 0.1 0.9;0.2 0.9 0.1 0.8];net=newc([0 1;0 1],2);
net.iw{1,1}
net.b{1}</span>

该网络的训练：

<span style="font-size:18px;">p = [.1 .8 .1 .9; .2 .9 .1 .8]net = newc([0 1; 0 1],2);wts = net.IW{1,1}biases = net.b{1}net.trainFcnnet.trainParam.epochs = 500;
net = train(net,p);a = sim(net,p)
ac = vec2ind(a)</span>

2、自组织特征映射类型的神经网络

net=newsom(p,[d1 d2 .....],tfcn,dfcn,steps,in)

p表示输入向量，di表示第i层大小，，默认[5 8], tfcn表示网络的拓扑结构，默认的是hextop， dfcn表示网络的距离函数，默认的是linkdist

step表示调整阶段的邻域变为1的步骤，默认100， in表示初始网络的大小，默认3

SOFM网络的建立：

<span style="font-size:18px;">net = newsom([0 2; 0 1],[2 3]);P = [.1 .3 1.2 1.1 1.8 1.7 .1 .3 1.2 1.1 1.8 1.7;...
0.2 0.1 0.3 0.1 0.3 0.2 1.8 1.8 1.9 1.9 1.7 1.8]plot(P(1,:),P(2,:),'o','markersize',8)
hold on
plotsom(net.iw{1,1},net.layers{1}.distances)
hold offnet.iw{1,1}</span>

网络的训练：

<span style="font-size:18px;">net = newsom([0 2; 0 1],[2 3]);P = [.1 .3 1.2 1.1 1.8 1.7 .1 .3 1.2 1.1 1.8 1.7;...
0.2 0.1 0.3 0.1 0.3 0.2 1.8 1.8 1.9 1.9 1.7 1.8]plot(P(1,:),P(2,:),'o','markersize',8)
hold on
plotsom(net.iw{1,1},net.layers{1}.distances)
hold offnet.iw{1,1}net.trainParam.epochs = 1000;
net = train(net,P);plotsom(net.iw{1,1},net.layers{1}.distances)</span>

LVQ神经网络

主要用于模式分类：

netnewlvq(pr,sl,pc,ir,if)

pr表示R*2的矩阵，代表输入向量元素的最大值和最小值

s1表示隐含层的神经元数目；

pc为二元向量，表示典型的类别权重百分比；

ir表示学习速度

if学习函数

<span style="font-size:18px;">P = [-3 -2 -2 0 0 0 0 2 2 3; 0 1 -1 2 1 -1 -2 1 -1 0],
Tc = [1 1 1 2 2 2 2 1 1 1],plotvec(P,Tc,'*'),T = ind2vec(Tc);%稀疏矩阵targets = full(T)   %对稀疏矩阵进行填充net = newlvq(P,4,[.6 .4]);  %表示第二层的权值重60的对应着targets第一行的元素1，40对应着第二行元素1net.IW{1,1}net.LW{2,1}Y = sim(net,P);
Yc = vec2ind(Y)
</span>

竞争性网络的一个分类：

<span style="font-size:18px;">X = [0 1; 0 1];   % 定义输入类别范围
clusters = 8;     % 类别数目
points = 10;      % 每一类中的样本数
std_dev = 0.05;   % 每一类的标准差
P = nngenc(X,clusters,points,std_dev);    %生成输入样本向量系列plot(P(1,:),P(2,:),'+r');
title('Input Vectors');
xlabel('p(1)');
ylabel('p(2)');net = newc([0 1;0 1],8,.1);
w = net.IW{1};
plot(P(1,:),P(2,:),'+r');
hold on;
circles = plot(w(:,1),w(:,2),'ob');net.trainParam.epochs = 7;
net = train(net,P);
w = net.IW{1};
delete(circles);
plot(w(:,1),w(:,2),'ob');p = [0; 0.2];
a = sim(net,p)
</span>

自组织特征映射网络的实验：

<span style="font-size:18px;">angles = 0:0.5*pi/99:0.5*pi;
P = [sin(angles); cos(angles)];
plot(P(1,:),P(2,:),'+r')net = newsom([0 1;0 1],[10]);net.trainParam.epochs = 10;
net = train(net,P);plotsom(net.iw{1,1},net.layers{1}.distances)p = [1;0];
a = sim(net,p)
</span>

LVQ神经网络的运用：分类：

<span style="font-size:18px;">P = [-3 -2 -2  0  0  0  0 +2 +2 +3;0 +1 -1 +2 +1 -1 -2 +1 -1  0];
C = [1 1 1 2 2 2 2 1 1 1];
T = ind2vec(C);cla
for i=1:10
if(C(i)==1)
plot(P(1,i),P(2,i),'+')
hold on;
else
plot(P(1,i),P(2,i),'o')
hold on;
end
endnet = newlvq(minmax(P),4,[.6 .4],0.1);hold on
W1 = net.IW{1};
plot(W1(1,1),W1(1,2),'*')
title('Input/Weight Vectors');
xlabel('P(1), W(1)');
ylabel('P(2), W(3)');net.trainParam.epochs=150;
net=train(net,P,T);W1 = net.IW{1};
W2 = vec2ind(net.IW{1});cla;
for i=1:10
if(C(i)==1)
plot(P(1,i),P(2,i),'+')
hold on;
else
plot(P(1,i),P(2,i),'o')
hold on;
end
end
for i=1:4
if(W2(i)==1)
plot(W1(i, 1),W1(i, 2),'*')
hold on;
else
plot(W1(i, 1),W1(i, 2),'.')
hold on;
end
endp = [0.2; 1];
a = vec2ind(sim(net,p)),
</span>

自组织神经网络的实现相关推荐

自组织神经网络SOM——MATLAB
Kohonen网络的拓扑结构下图是1维和2维的两个SOM网络示意图. 网络上层为输出结点(假设为m个),按二维形式排成一个结点矩阵. 输入结点处于下方,若输入向量由n个元素,则输入端共有n个结点. ...
SOM自组织神经网络
SOM自组织神经网络是神经网络的一种.个人感觉属于仿生学的一种方法.这种网络是基于生理学和脑科学研究成果提出的.与前向神经网络不同,它是一种无监督的学习.适用于数据聚类. 应用:数据聚类,数据降维(如 ...
自组织神经网络：Kohonen网络训练算法
自组织神经网络:Kohonen网络训练算法 Kohonen网络的拓扑结构网络上层为输出结点(假设为m个),按二维形式排成一个结点矩阵. 输入结点处于下方,若输入向量由n个元素,则输入端共有 ...
大脑神经网络是如何形成的,大脑自组织神经网络
人的大脑装入多少知识,生理前后会发生怎样变化? 大脑装入知识在于记忆,而记忆的关键是神经元突触形成和重构,因此记忆分近期记忆和远期记忆,而记忆又有不断的加强或者逐渐遗忘,生理的变化在于神经元突触. 对 ...
自组织神经网络SOM原理——结合例子MATLAB实现
本文主要内容为SOM神经网络原理的介绍,并结合实例给出相应的MATLAB代码实现,方便初学者接触学习,本人才疏学浅,如有纰漏,还望各路大神积极指点. 一.SOM神经网络介绍自组织映射神经网络, 即S ...
自组织神经网络SOM算法对Iris数据集进行聚类的matlab实现
SOM算法原理 SOM算法是一种将高维数据通过两层神经网络(输入层和竞争层)映射至用户定义的拓扑结构中,一般常用2D矩阵拓扑结构.下图是对SOM的形象展示: 所以算法一般分为以下几步: 第一:用户自定 ...
自组织神经网络聚类算法,神经网络聚类预测分析
1.bp神经网络 BP(Back Propagation)网络是1986年由Rumelhart和McCelland为首的科学家小组提出,是一种按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经 ...
自组织（竞争型）神经网络
1.背景:自组织(竞争型)神经网络 SOM是一种自组织(竞争型)神经网络,除了SOM外,其他常见的自组织(竞争型)神经网络还有对偶传播(Counter propagation)网络,自适应共振理论(A ...
经典神经网络分类器之BP算法和自组织竞争网络
经典神经网络分类器感知器感知器学习算法是误分类驱动的在线学习算法,任意选取一个具有参数的分离超平面,采用随机梯度下降法不断极小化损失函数,多次迭代训练得到感知器参数w b. 定义损失函数(训练样本 ...

自组织神经网络的实现

自组织神经网络的实现相关推荐

最新文章

热门文章