matlab怎么實(shí)現(xiàn)SOM神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)分類

自組織特征映射神經(jīng)網(wǎng)絡(luò)（SOM）根據(jù)輸入空間中輸入向量的分組進(jìn)行學(xué)習(xí)和分類。

在SOM網(wǎng)絡(luò)中，競爭層中的神經(jīng)元會(huì)嘗試識別輸入空間鄰近該神經(jīng)元的部分，也就是說，SOM神經(jīng)網(wǎng)絡(luò)既可以學(xué)習(xí)訓(xùn)練數(shù)據(jù)輸入向量的分布特征，也可以學(xué)習(xí)訓(xùn)練數(shù)據(jù)輸入向量的拓?fù)浣Y(jié)構(gòu)。與SOM拓?fù)渑判蛱卣饔嘘P(guān)的重要特點(diǎn)是每個(gè)神經(jīng)元與其近鄰神經(jīng)元也是相關(guān)聯(lián)的，在權(quán)值更新過程中，不僅獲勝神經(jīng)元的權(quán)值向量得到更新，而且其近鄰神經(jīng)元的權(quán)值向量，也按照某個(gè)“近鄰函數(shù)”進(jìn)行更新，這樣在開始時(shí)移動(dòng)量很大，權(quán)值向量大致的可按它們的最終位置來排序，最后只移動(dòng)單個(gè)權(quán)值向量（微調(diào)），這樣就形成了一種特殊的分類法，全權(quán)向量按照這樣一種方式變?yōu)橛行颍此鼈冊谀硞€(gè)“彈性”網(wǎng)格上代表著輸入向量。如果網(wǎng)格的某個(gè)位置有變化，那么這種變化將影響到次神經(jīng)元的近鄰，但是，離該神經(jīng)元越遠(yuǎn)，這種影響就越小，因此在競爭層的神經(jīng)元位置演變過程中，每個(gè)區(qū)域代表一類輸入向量。

換句話說，要用若干個(gè)取值向量來表示一個(gè)數(shù)據(jù)集（輸入向量），每個(gè)權(quán)值相量表示某一類輸入向量的均值。

通過訓(xùn)練，可以建立起這樣一種布局，它使得每個(gè)權(quán)值向量都位于輸入向量聚類的中心，一旦SOM完成訓(xùn)練，就可以用于對訓(xùn)練數(shù)據(jù)或其他數(shù)據(jù)進(jìn)行聚類。

%% 清空環(huán)境變量

clc

clear

%% 錄入輸入數(shù)據(jù)

% 載入數(shù)據(jù)

load p;

%轉(zhuǎn)置后符合神經(jīng)網(wǎng)絡(luò)的輸入格式

P=P';

%% 網(wǎng)絡(luò)建立和訓(xùn)練

% 建立SOM網(wǎng)絡(luò),競爭層為6*6=36個(gè)神經(jīng)元

net=selforgmap([6 6]);

plotsom(net.layers{1}.positions)

% 5次訓(xùn)練的步數(shù)

a=[10 30 50 100 200 500 1000];

% 隨機(jī)初始化一個(gè)1*10向量。

yc=rands(7,8);

%% 進(jìn)行訓(xùn)練

% 訓(xùn)練次數(shù)為10次

net.trainparam.epochs=a(1);

% 訓(xùn)練網(wǎng)絡(luò)和查看分類

net=train(net,P);

y=sim(net,P);

yc(1,:)=vec2ind(y);

plotsom(net.IW{1,1},net.layers{1}.distances)

%% 訓(xùn)練次數(shù)為30次

net.trainparam.epochs=a(2);

% 訓(xùn)練網(wǎng)絡(luò)和查看分類

net=train(net,P);

y=sim(net,P);

yc(2,:)=vec2ind(y);

plotsom(net.IW{1,1},net.layers{1}.distances)

%% 訓(xùn)練次數(shù)為50次

net.trainparam.epochs=a(3);

% 訓(xùn)練網(wǎng)絡(luò)和查看分類

net=train(net,P);

y=sim(net,P);

yc(3,:)=vec2ind(y);

plotsom(net.IW{1,1},net.layers{1}.distances)

%% 訓(xùn)練次數(shù)為100次

net.trainparam.epochs=a(4);

% 訓(xùn)練網(wǎng)絡(luò)和查看分類

net=train(net,P);

y=sim(net,P);

yc(4,:)=vec2ind(y);

plotsom(net.IW{1,1},net.layers{1}.distances)

%% 訓(xùn)練次數(shù)為200次

net.trainparam.epochs=a(5);

% 訓(xùn)練網(wǎng)絡(luò)和查看分類

net=train(net,P);

y=sim(net,P);

yc(5,:)=vec2ind(y);

plotsom(net.IW{1,1},net.layers{1}.distances)

%% 訓(xùn)練次數(shù)為500次

net.trainparam.epochs=a(6);

% 訓(xùn)練網(wǎng)絡(luò)和查看分類

net=train(net,P);

y=sim(net,P);

yc(6,:)=vec2ind(y);

plotsom(net.IW{1,1},net.layers{1}.distances)

%% 訓(xùn)練次數(shù)為1000次

net.trainparam.epochs=a(7);

% 訓(xùn)練網(wǎng)絡(luò)和查看分類

net=train(net,P);

y=sim(net,P);

yc(7,:)=vec2ind(y);

plotsom(net.IW{1,1},net.layers{1}.distances)

yc

%% 網(wǎng)絡(luò)作分類的預(yù)測

% 測試樣本輸入

t=[0.9512 1.0000 0.9458 -0.4215 0.4218 0.9511 0.9645 0.8941]';

% sim()來做網(wǎng)絡(luò)仿真

r=sim(net,t);

% 變換函數(shù) 將單值向量轉(zhuǎn)變成下標(biāo)向量。

rr=vec2ind(r)

%% 網(wǎng)絡(luò)神經(jīng)元分布情況

% 查看網(wǎng)絡(luò)拓?fù)鋵W(xué)結(jié)構(gòu)

plotsomtop(net)

% 查看臨近神經(jīng)元直接的距離情況

plotsomnd(net)

% 查看每個(gè)神經(jīng)元的分類情況

plotsomhits(net,P)