基于Matlab实现竞争神经网络与SOM神经网络算法（程序+数据）.rar

%% I. 清空环境变量 clear all clc %% II. 训练集/测试集产生 %% % 1. 导入数据 load water_data.mat %% % 2. 数据归一化 attributes = mapminmax(attributes); %% % 3. 训练集和测试集划分 % 训练集——35个样本 P_train = attributes(:,1:35); T_train = classes(:,1:35); % 测试集——4个样本 P_test = attributes(:,36:end); T_test = classes(:,36:end); %% III. 竞争神经网络创建、训练及仿真测试 %% % 1. 创建网络 net = newc(minmax(P_train),4,0.01,0.01); %因为结果分成四类，所以这里隐含神经元设置为4，0.01分别是是权值和阈值的学习率 %单独执行一下minmax(P_train)发现最大值是1，最小值是-1，与P_train最大值最小值符合。 % 输入 w=net.iw{1,1}; 看一下 连接权值 平均值为0 四个神经元六个特征 4*6矩阵元素全部为0 %输入 b=net.b{1} 看一下 连接阈值 edit initcon rows=4 %134行看一下 x的值是不是我们算的值 %% % 2. 设置训练参数 net.trainParam.epochs = 500; %训练步数 %% % 3. 训练网络 net = train(net,P_train); %% % 4. 仿真测试 % 训练集 t_sim_compet_1 = sim(net,P_train); T_sim_compet_1 = vec2ind(t_sim_compet_1); % 测试集 t_sim_compet_2 = sim(net,P_test); T_sim_compet_2 = vec2ind(t_sim_compet_2); % vec2ind函数将稀疏矩阵转换成行向量或者列向量，T-train和classes没有用到，体现了无导师学习的过程 %运行一下 77 78 行看一下结果 哪几个神经元决定了每一个类 %% IV. SOFM神经网络创建、训练及仿真测试 %% % 1. 创建网络 net = newsom(P_train,[4 4]); %% % 2. 设置训练参数 net.trainParam.epochs = 200; %% % 3. 训练网络 net = train(net,P_train); %% % 4. 仿真测试 % 训练集 t_sim_sofm_1 = sim(net,P_train); T_sim_sofm_1 = vec2ind(t_sim_sofm_1); % 测试集 t_sim_sofm_2 = sim(net,P_test); T_sim_sofm_2 = vec2ind(t_sim_sofm_2); %% V. 结果对比 %% % 1. 竞争神经网络 result_compet_1 = [T_train' T_sim_compet_1'] result_compet_2 = [T_test' T_sim_compet_2'] %% 1960009019 l13299109228 % 2. SOFM神经网络 result_sofm_1 = [T_train' T_sim_sofm_1'] result_sofm_2 = [T_test' T_sim_sofm_2']