自组织神经网络的实现

1、可以调用MATLAB工具箱里的函数创建竞争性神经网络： 主要进行分类：

newc(p,s,KLR,CLR) --------------------------------------p表示输入的范围，

s-------------------------------表示神经元的个数 KLR表示Kohonen学习速率，-------------------------------CLR表示Conscience的学习速率

<span style="font-size:18px;">p=[0.1 0.8 0.1 0.9;0.2 0.9 0.1 0.8];
 net=newc([0 1;0 1],2);
net.iw{1,1}
net.b{1}</span>

该网络的训练：

<span style="font-size:18px;">p = [.1 .8 .1 .9; .2 .9 .1 .8]

net = newc([0 1; 0 1],2);

wts = net.IW{1,1}

biases = net.b{1}

net.trainFcn

net.trainParam.epochs = 500;
net = train(net,p);

a = sim(net,p)
ac = vec2ind(a)</span>

2、自组织特征映射类型的神经网络

net=newsom(p,[d1 d2 .....],tfcn,dfcn,steps,in)

p表示输入向量，di表示第i层大小，，默认[5 8], tfcn表示网络的拓扑结构，默认的是hextop， dfcn表示网络的距离函数，默认的是linkdist

step表示调整阶段的邻域变为1的步骤，默认100， in表示初始网络的大小，默认3

SOFM网络的建立：

<span style="font-size:18px;">net = newsom([0 2; 0 1],[2 3]);

P = [.1 .3 1.2 1.1 1.8 1.7 .1 .3 1.2 1.1 1.8 1.7;...
0.2 0.1 0.3 0.1 0.3 0.2 1.8 1.8 1.9 1.9 1.7 1.8]

plot(P(1,:),P(2,:),'o','markersize',8)
hold on
plotsom(net.iw{1,1},net.layers{1}.distances)
hold off

net.iw{1,1}</span>

网络的训练：

<span style="font-size:18px;">net = newsom([0 2; 0 1],[2 3]);

P = [.1 .3 1.2 1.1 1.8 1.7 .1 .3 1.2 1.1 1.8 1.7;...
0.2 0.1 0.3 0.1 0.3 0.2 1.8 1.8 1.9 1.9 1.7 1.8]

plot(P(1,:),P(2,:),'o','markersize',8)
hold on
plotsom(net.iw{1,1},net.layers{1}.distances)
hold off

net.iw{1,1}

net.trainParam.epochs = 1000;
net = train(net,P);

plotsom(net.iw{1,1},net.layers{1}.distances)</span>

LVQ神经网络

主要用于模式分类：

netnewlvq(pr,sl,pc,ir,if)

pr表示R*2的矩阵，代表输入向量元素的最大值和最小值

s1表示隐含层的神经元数目；

pc为二元向量，表示典型的类别权重百分比；

ir表示学习速度

if学习函数

<span style="font-size:18px;">P = [-3 -2 -2 0 0 0 0 2 2 3; 0 1 -1 2 1 -1 -2 1 -1 0],
Tc = [1 1 1 2 2 2 2 1 1 1],

plotvec(P,Tc,'*'),

T = ind2vec(Tc);%稀疏矩阵

targets = full(T)   %对稀疏矩阵进行填充

net = newlvq(P,4,[.6 .4]);  %表示第二层的权值重60的对应着targets第一行的元素1，40对应着第二行元素1

net.IW{1,1}

net.LW{2,1}

Y = sim(net,P);
Yc = vec2ind(Y)
</span>

竞争性网络的一个分类：

<span style="font-size:18px;">X = [0 1; 0 1];   % 定义输入类别范围
clusters = 8;     % 类别数目
points = 10;      % 每一类中的样本数
std_dev = 0.05;   % 每一类的标准差
P = nngenc(X,clusters,points,std_dev);    %生成输入样本向量系列

plot(P(1,:),P(2,:),'+r');
title('Input Vectors');
xlabel('p(1)');
ylabel('p(2)');

net = newc([0 1;0 1],8,.1);
w = net.IW{1};
plot(P(1,:),P(2,:),'+r');
hold on;
circles = plot(w(:,1),w(:,2),'ob');

net.trainParam.epochs = 7;
net = train(net,P);
w = net.IW{1};
delete(circles);
plot(w(:,1),w(:,2),'ob');

p = [0; 0.2];
a = sim(net,p)
</span>

自组织特征映射网络的实验：

<span style="font-size:18px;">angles = 0:0.5*pi/99:0.5*pi;
P = [sin(angles); cos(angles)];
plot(P(1,:),P(2,:),'+r')

net = newsom([0 1;0 1],[10]);

net.trainParam.epochs = 10;
net = train(net,P);

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

p = [1;0];
a = sim(net,p)
</span>

LVQ神经网络的运用：分类：

<span style="font-size:18px;">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);

cla
for i=1:10
if(C(i)==1)
plot(P(1,i),P(2,i),'+')
hold on;
else
plot(P(1,i),P(2,i),'o')
hold on;
end
end

net = newlvq(minmax(P),4,[.6 .4],0.1);

hold on
W1 = net.IW{1};
plot(W1(1,1),W1(1,2),'*')
title('Input/Weight Vectors');
xlabel('P(1), W(1)');
ylabel('P(2), W(3)');

net.trainParam.epochs=150;
net=train(net,P,T);

W1 = net.IW{1};
W2 = vec2ind(net.IW{1});

cla;
for i=1:10
if(C(i)==1)
plot(P(1,i),P(2,i),'+')
hold on;
else
plot(P(1,i),P(2,i),'o')
hold on;
end
end
for i=1:4
if(W2(i)==1)
plot(W1(i, 1),W1(i, 2),'*')
hold on;
else
plot(W1(i, 1),W1(i, 2),'.')
hold on;
end
end

p = [0.2; 1];
a = vec2ind(sim(net,p)),
</span>