第8章自组织竞争神经网络.ppt

6.自组织竞争网络相关函数详解 mapminmax——归一化函数 在神经网络和其他机器学习算法中，往往需要对输入的样本做归一化。mapminmax就是MATLAB提供的一个方便的归一化函数。 [Y,settings]=mapminmax(X) Y=mapminmax(‘apply’,X,settings) x1_again=mapminmax(‘reverse’,y,settings) 6.自组织竞争网络相关函数详解 对一个矩阵进行归一化 x=[1,2,3;1,2,4] % 待归一化数据 [xx,settings]=mapminmax(x); % 归一化到[0,1] xx [settings.xmin,settings.xmax] % 结构体settings中保存了每行的最大最小值 fp.ymin=0;fp.ymax=10 [xx,settings]=mapminmax(x,fp); % 映射到[0,10]区间 xx [xx,settings]=mapminmax(x,fp); % 按列进行归一化 xx 7.自组织竞争神经网络应用实例 手算实现坐标点的分类。 mycompet.m 7.自组织竞争神经网络应用实例 clear,clc % 使用工具箱函数实现坐标点分类 close all x0=[4.1,1.8,0.5,2.9,4.0,0.6,3.8,4.3,3.2,1.0,3.0,3.6,3.8,3.7,3.7,8.6,9.1,... %% 样本数据 7.5,8.1,9.0,6.9,8.6,8.5,9.6,10.0,9.3,6.9,6.4,6.7,8.7;... 8.1,5.8,8.0,5.2,7.1,7.3,8.1,6.0,7.2,8.3,7.4,7.8,7.0,6.4,8.0,... 3.5,2.9,3.8,3.9,2.6,4.0,2.9,3.2,4.9,3.5,3.3,5.5,5.0,4.4,4.3]; %% 建立竞争网络，两个类别 net = competlayer(2); net.trainParam.epochs=400; %% 训练 tic;net=train(net,x0);toc %% 计算结果 y=net(x0); calsses = vec2ind(y); fprintf(分类结果\n); disp(calsses) view(net) 坐标点的分类（自组织映射网络） 使用自定义的SOM网络解决上一节的坐标点分类（聚类）问题 （1）输入数据，并做归一化。使用mapminmax函数将输入向量归一化至区间，便于后续的计算。 2）构造网络。由于输入向量为二维向量，因此网络的输入层包含两个神经元，网络的输出层则包含4个神经元。设置最大和最小学习率分别为0.8和0.05，并按下式变化 （3）迭代更新。从样本集合中随机抽取一个向量输入网络，根据其输出值确定获胜神经元，然后计算当前迭代次数的学习率和邻域大小参数，确定邻域范围。对邻域范围内的神经元，更新其相应的权值向量。最大迭代次数定为200次。 7.自组织竞争神经网络应用实例 7.自组织竞争神经网络应用实例 （4）判断是否达到最大迭代次数，如果未达到，返回第三步继续计算。 （5）得到训练好的网络后，将训练样本输入网络，每个样本向量对应一个兴奋的输出神经元，这样就得到了分类结果。 mykohonen.m 谢谢大家！ * * 第8章 自组织竞争神经网络 编 者 Outline 1.竞争神经网络 2.竞争神经网络的学习算法 3.自组织特征映射网络 4. SOM的学习算法 5.学习矢量量化网络 6.自组织竞争网络相关函数详解 7.自组织竞争神经网络应用实例 1.竞争神经网络 采用竞争学习的规则即可构成最简单的竞争神经网络，在此基础上，还发展了形形色色的自组织网络。 “胜者为王，败者为寇” 。兴奋最强的神经元“战胜”了其他神经元，在权值调制中其兴奋程度得到进一步加强，而其他神经元则保持不变。 竞争神经网络通过这种竞争学习的方式获取训练样本的分布信息，每个训练样本都对应一个兴奋的核心层神经元，也就是对应一个类别，当有新样本输入时，就可以根据兴奋的神经元进行模式分类。 2.竞争神经网络的学习算法 内星学习规则 内星模型训练的目标是使得神经元只对某些特定的输入向量产生兴奋。这一点是通过连接权值的逐步调整得到的。 随机权值中有一个被激活，其权值按上式向输入样本的方向调整，会变得越来越“像”输入样本 如果对内星模型输入多个样本进行训练，最终得到的网络权值趋近于各输入向量的平均值。 2.竞争神经网络的学习算法 Koho