一维和二维自组织映射(matlab)

%% 一维自组织映射 %二维层中的神经元可学习表示输入向量在输入空间出现的不同区域。此外，邻近的神经元可学习对相似的输入进行响应，从而该层可学习所呈现的输入空间的拓扑。 %% 数据集 %创建了位于单位圆上的 100 个数据点。 %竞争网络将用于将这些点分成若干自然类。 angles = 0:0.5*pi/99:0.5*pi; X = [sin(angles); cos(angles)]; figure(1) plot(X(1,:),X(2,:),'+r') %映射将是由 10 个神经元组成的一维层。 net = selforgmap(10); %网络训练 %指定网络将接受 10 轮训练，并使用 train 基于输入数据对网络进行训练。 net.trainParam.epochs = 10; net = train(net,X); %使用 plotsompos 绘制经过训练的网络的权重位置。 %红点是神经元的权重向量，蓝线连接在距离 1 内的每对红点。 figure(2) plotsompos(net) %对输入进行分类 %映射可用于对输入进行分类，例如 [1; 0]。神经元 1 或 10 的输出应该为 1，因为上述输入向量位于所呈现的输入空间的一端。第一对数字表示神经元，单个数字表示其输出。 x = [1;0]; a = net(x) %% 二维自组织映射 %自组织映射将学习表示输入向量在输入空间中出现的不同区域 %神经元会形成二维网格,对一个矩形中的 1000 个二元素向量进行分类 %输入数据 X = rands(2,1000); figure(3) plot(X(1,:),X(2,:),'+r') %使用 5×6 神经元层对上述向量进行分类 %每个神经元对矩形的不同区域作出响应，相邻神经元对相邻区域作出响应。将网络配置为匹配输入的维度 net = selforgmap([5 6]); net = configure(net,X); %使用 plotsompos 可视化创建的网络。 %每个神经元在其两个权重的位置用红点表示。最初，所有神经元的权重相同，位于向量的中间，因此只出现一个点。 figure(4) plotsompos(net) %训练网络 %训练后，神经元层已开始自组织，每个神经元现在界定输入空间的不同区域，并且相邻（连接的）神经元对相邻区域作出响应。 figure(5) net.trainParam.epochs = 1; net = train(net,X); plotsompos(net) %向量输入网络并观察哪个神经元有响应来对向量进行分类 %由“1”表示的神经元有响应，因此 x 属于该类。 x = [0.5;0.3]; y = net(x)