网站建设期末论文东莞网站设计公司
本站原创文章，转载请说明来自《老饼讲解-BP神经网络》bp.bbbdata.com
本文展示如何用matlab工具箱训练一个SOM神经网络的DEMO
并讲解其中的代码含义和相关使用说明
- 01.SOM神经网络DEMO代码 -
- 本文说明 -
下面，我们先随机初始化一些样本点，
然后调用matlab的神经网络工具箱训练一个SOM神经网络
并借此DEMO讲解如何用matlab工具箱SOM神经网络的使用
- SOM神经网络DEMO代码 -
% 本demo展示用matlab工具箱训练一个SOM神经网络% 生成用于聚类的数据rand('seed',70);% 随机种子，设定随机种子是为了每次的结果一样
dataC =[2.5,2.5;7.5,2.5;2.5,7.5;7.5,7.5]';% 生成四个样本中心
sn =80;% 样本个数
X =rand(2,sn)+dataC(:,mod(1:sn,4)+1);% 随机生成样本点% 调用工具箱训练一个SOM网络
net =selforgmap([35]);% 建立一个SOM神经网络
net =train(net,X);% 训练网络
W = net.IW{1};% 网络的权重，也即各个聚类中心的位置
y =net(X);% 用训练好的网络进行预测
classes =vec2ind(y);% 将预测结果由one-hot格式转为类别索引% 绘图plot(X(1,:),X(2,:),'*');% 原始样本
hold on
plot(W(:,1),W(:,2),'or','MarkerFaceColor','g');% 网络训练好的聚类中心- 运行结果 -
运行结果如下
绿色的隐神经元(聚类中心)，红色的是样本
- 02. matlab的SOM神经网络使用解说 -
本节讲解matlab工具箱如何训练一个SOM神经网络，及一些常用的问题
- 如何训练一个SOM神经网络 -
从上面的例子我们可以看到，
使用selforgmap函数就可以建立一个SOM神经网络，
然后用train函数对网络进行训练(需要传入训练的数据)，
最后把要预测的样本传入训练好的net中，就可以得到预测结果
如下
net = selforgmap([3 5]);
net = train(net,X);
y = net(X);
PASS:selforgmap中的[3 5]用于指定隐节点拓扑为3*5，即15个隐节点
✍️关于selforgmap的入参说明
selforgmap共有5个入参：
dimensions ：行向量，它定义了隐层神经元尺寸
例如[8 3]定义了2维(8*3)的隐层
coverSteps ：在该步数之后，领域距离<=1，即不再更新邻域神经元
initNeighbor ：初始的邻域阈值
topologyFcn ：隐层拓扑结构函数
distanceFcn ：拓扑距离计算函数
默认参数为：selforgmap([8 8],100,3,'hextop',linkdist')
- 如何预测类别 -
如果要预测样本X的类别，
只需使用net(X)就可以得到样本的分类类别
如果net(X)输出[0,0,1]，则代表类别是第3类
如何将one-hot形式的判别结果转为类别序号
net(X)得到分类结果的是one-hot形式，
即得到的结果是[0 ,0 ,1]这种形式
为了直接得到类别的序号3，而不是[0 ,0 ,1]，
可以通过vec2ind函数将[0 ,0 ,1]转为3
如下
- 如何查看类别中心 -
SOM神经网络的权重W就是各个类别中心
用net.IW{1}就可以提取出来
如下，就是15个聚类中心的位置
- 相关的绘图函数 -
另外，工具箱还附带了相关的绘图函数
可以画出较好看的SOM相关图片
👉plotsomhits
👉plotsomnc
👉plotsomnd
👉plotsomplanes
👉plotsompos
👉plotsomtop
但基本都是只有数据是二维时才能使用/或才具有意义
因此老饼不再讲解，需要了解的自行在matlab里help一下
相关文章
《BP神经网络梯度推导》
《BP神经网络提取的数学表达式》
《一个BP的完整建模流程》