%% LVQ1.m LVQ 网络
% P为10个 2维矢量, C为分类矢量
% 类别号用 IND2VEC目标矢量.
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);%转换类别号为目标矢量
%%
% 绘制数据点, Red = class 1, Cyan = class 2.
colormap(hsv);
plotvec(P,C)
title('Input Vectors');
xlabel('P(1)');
ylabel('P(2)');
pause
%%
% NEWLVQ 建立 LVQ,输入数据的最小最大范围、隐层神经元数4, 第一类占60%、第二类占40%,学习率0.1
net = newlvq(minmax(P),4,[.6 .4],0.1);
%%
% 绘制竞争层神经元权重矢量.
hold on
W1 = net.IW{1};
plot(W1(1,1),W1(1,2),'ow')
title('Input/Weight Vectors');
xlabel('P(1), W(1)');
ylabel('P(2), W(2)');
pause
% 训练网络,训练结束后,重新绘制输入矢量 '+',竞争神经元权重矢量 'o'.
%Red = class 1, Cyan = class 2.
net.trainParam.epochs=10;
net.trainParam.show=Inf;
net=train(net,P,T);
cla;
plotvec(P,C);
hold on;
plotvec(net.IW{1}',vec2ind(net.LW{2}),'o');
pause
%%
% 用 LVQ 分类. 输入矢量 [0.2; 1]. Red = class 1, Cyan = class 2.
p = [0.2; 1];
a = vec2ind(sim(net,p))
没有合适的资源?快使用搜索试试~ 我知道了~
温馨提示
自组织映射(Self-organizing map, SOM)通过学习输入空间中的数据,生成一个低维、离散的映射(Map),从某种程度上也可看成一种降维算法。 SOM是一种无监督的人工神经网络。不同于一般神经网络基于损失函数的反向传递来训练,它运用竞争学习(competitive learning)策略,依靠神经元之间互相竞争逐步优化网络。且使用近邻关系函数(neighborhood function)来维持输入空间的拓扑结构。 维持输入空间的拓扑结构:意味着 二维映射包含了数据点之间的相对距离。输入空间中相邻的样本会被映射到相邻的输出神经元。 由于基于无监督学习,这意味着训练阶段不需要人工介入(即不需要样本标签),我们可以在不知道类别的情况下,对数据进行聚类;可以识别针对某问题具有内在关联的特征。
资源推荐
资源详情
资源评论
收起资源包目录
SOM m文件.zip (6个子文件)
SOM m文件
ex4lvq.m 1KB
example8_11.m 589B
ex2som.m 564B
ex1CompLearn.m 746B
ex3sofm_2d.m 419B
example8_8.m 492B
共 6 条
- 1
资源评论
nwsuaf_huasir
- 粉丝: 4116
- 资源: 49
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功