本站原創(chuàng)文章，轉(zhuǎn)載請(qǐng)說明來自《老餅講解-BP神經(jīng)網(wǎng)絡(luò)》bp.bbbdata.com

本文展示如何用matlab工具箱訓(xùn)練一個(gè)SOM神經(jīng)網(wǎng)絡(luò)的DEMO

并講解其中的代碼含義和相關(guān)使用說明

- 01.SOM神經(jīng)網(wǎng)絡(luò)DEMO代碼 -

- 本文說明 -

下面，我們先隨機(jī)初始化一些樣本點(diǎn)，
然后調(diào)用matlab的神經(jīng)網(wǎng)絡(luò)工具箱訓(xùn)練一個(gè)SOM神經(jīng)網(wǎng)絡(luò)
并借此DEMO講解如何用matlab工具箱SOM神經(jīng)網(wǎng)絡(luò)的使用

- SOM神經(jīng)網(wǎng)絡(luò)DEMO代碼 -

% 本demo展示用matlab工具箱訓(xùn)練一個(gè)SOM神經(jīng)網(wǎng)絡(luò)% 生成用于聚類的數(shù)據(jù)rand('seed',70);% 隨機(jī)種子，設(shè)定隨機(jī)種子是為了每次的結(jié)果一樣
dataC =[2.5,2.5;7.5,2.5;2.5,7.5;7.5,7.5]';% 生成四個(gè)樣本中心
sn =80;% 樣本個(gè)數(shù)
X =rand(2,sn)+dataC(:,mod(1:sn,4)+1);% 隨機(jī)生成樣本點(diǎn)% 調(diào)用工具箱訓(xùn)練一個(gè)SOM網(wǎng)絡(luò)                        
net =selforgmap([35]);% 建立一個(gè)SOM神經(jīng)網(wǎng)絡(luò)
net =train(net,X);% 訓(xùn)練網(wǎng)絡(luò)
W   = net.IW{1};% 網(wǎng)絡(luò)的權(quán)重，也即各個(gè)聚類中心的位置
y   =net(X);% 用訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行預(yù)測
classes =vec2ind(y);% 將預(yù)測結(jié)果由one-hot格式轉(zhuǎn)為類別索引% 繪圖plot(X(1,:),X(2,:),'*');% 原始樣本
hold on 
plot(W(:,1),W(:,2),'or','MarkerFaceColor','g');% 網(wǎng)絡(luò)訓(xùn)練好的聚類中心

- 運(yùn)行結(jié)果 -

運(yùn)行結(jié)果如下


綠色的隱神經(jīng)元(聚類中心)，紅色的是樣本

- 02. matlab的SOM神經(jīng)網(wǎng)絡(luò)使用解說 -

本節(jié)講解matlab工具箱如何訓(xùn)練一個(gè)SOM神經(jīng)網(wǎng)絡(luò)，及一些常用的問題

- 如何訓(xùn)練一個(gè)SOM神經(jīng)網(wǎng)絡(luò) -

從上面的例子我們可以看到，
使用selforgmap函數(shù)就可以建立一個(gè)SOM神經(jīng)網(wǎng)絡(luò)，
然后用train函數(shù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練(需要傳入訓(xùn)練的數(shù)據(jù))，
最后把要預(yù)測的樣本傳入訓(xùn)練好的net中，就可以得到預(yù)測結(jié)果
如下
net = selforgmap([3 5]);
net = train(net,X);
y = net(X);
PASS:selforgmap中的[3 5]用于指定隱節(jié)點(diǎn)拓?fù)錇?*5，即15個(gè)隱節(jié)點(diǎn)

??關(guān)于selforgmap的入?yún)⒄f明
selforgmap共有5個(gè)入?yún)?#xff1a;
dimensions ：行向量，它定義了隱層神經(jīng)元尺寸
例如[8 3]定義了2維(8*3)的隱層
coverSteps ：在該步數(shù)之后，領(lǐng)域距離<=1，即不再更新鄰域神經(jīng)元
initNeighbor ：初始的鄰域閾值
topologyFcn ：隱層拓?fù)浣Y(jié)構(gòu)函數(shù)
distanceFcn ：拓?fù)渚嚯x計(jì)算函數(shù)
默認(rèn)參數(shù)為：selforgmap([8 8],100,3,'hextop',linkdist')

- 如何預(yù)測類別 -

如果要預(yù)測樣本X的類別，
只需使用net(X)就可以得到樣本的分類類別
如果net(X)輸出[0,0,1]，則代表類別是第3類

如何將one-hot形式的判別結(jié)果轉(zhuǎn)為類別序號(hào)
net(X)得到分類結(jié)果的是one-hot形式，
即得到的結(jié)果是[0 ,0 ,1]這種形式
為了直接得到類別的序號(hào)3，而不是[0 ,0 ,1]，
可以通過vec2ind函數(shù)將[0 ,0 ,1]轉(zhuǎn)為3
如下

- 如何查看類別中心 -

SOM神經(jīng)網(wǎng)絡(luò)的權(quán)重W就是各個(gè)類別中心
用net.IW{1}就可以提取出來
如下，就是15個(gè)聚類中心的位置

- 相關(guān)的繪圖函數(shù) -

另外，工具箱還附帶了相關(guān)的繪圖函數(shù)
可以畫出較好看的SOM相關(guān)圖片
👉plotsomhits
👉plotsomnc
👉plotsomnd
👉plotsomplanes
👉plotsompos
👉plotsomtop
但基本都是只有數(shù)據(jù)是二維時(shí)才能使用/或才具有意義
因此老餅不再講解，需要了解的自行在matlab里help一下

相關(guān)文章

《BP神經(jīng)網(wǎng)絡(luò)梯度推導(dǎo)》

《BP神經(jīng)網(wǎng)絡(luò)提取的數(shù)學(xué)表達(dá)式》

《一個(gè)BP的完整建模流程》