資源描述：
《自組織特征映射神經(jīng)網(wǎng)絡(luò).(SOM).pptx》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。
1、主講：周潤景教授單位：電子信息工程學(xué)院自組織特征映射神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)分類設(shè)計(jì)目錄自組織特征映射神經(jīng)網(wǎng)絡(luò)簡介自組織特征映射神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)自組織特征映射學(xué)習(xí)算法原理自組織特征映射學(xué)習(xí)算法步驟SOM學(xué)習(xí)算法的MATLAB實(shí)現(xiàn)SOM網(wǎng)絡(luò)應(yīng)用于模式分類一.自組織特征映射神經(jīng)網(wǎng)絡(luò)簡介自組織特征映射神經(jīng)網(wǎng)絡(luò)（SOM）也是無教師學(xué)習(xí)網(wǎng)絡(luò)，主要用于對輸入向量進(jìn)行區(qū)域分類。其結(jié)構(gòu)與基本競爭型神經(jīng)網(wǎng)絡(luò)很相似。與自組織競爭網(wǎng)絡(luò)的不同之處：SOM網(wǎng)絡(luò)不但識(shí)別屬于區(qū)域鄰近的區(qū)域，還研究輸入向量的分布特性和拓?fù)浣Y(jié)構(gòu)。二.自組織特征映射神經(jīng)網(wǎng)
2、絡(luò)結(jié)構(gòu)由芬蘭學(xué)者TeuvoKohonen于1981年提出。與自組織競爭網(wǎng)絡(luò)不同的是，在自組織映射神經(jīng)網(wǎng)絡(luò)中鄰近的神經(jīng)元能夠識(shí)別輸入空間中鄰近的部分。I’mTeuvoKohonen二.自組織特征映射神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)SOM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)三、自組織特征映射學(xué)習(xí)算法原理Kohonen自組織特征映射算法，能夠自動(dòng)找出輸入數(shù)據(jù)之間的類似度，將相似的輸入在網(wǎng)絡(luò)上就近配置。因此是一種可以構(gòu)成對輸入數(shù)據(jù)有選擇地給予響應(yīng)的網(wǎng)絡(luò)。類似度準(zhǔn)則---歐氏距離:四、自組織特征映射學(xué)習(xí)算法步驟1.網(wǎng)絡(luò)初始化用隨機(jī)數(shù)設(shè)定輸入層和映射層之間權(quán)值
3、的初始值2.輸入向量把輸入向量輸入給輸入層3.計(jì)算映射層的權(quán)值向量和輸入向量的距離映射層的神經(jīng)元和輸入向量的距離，按下式給出四、自組織特征映射學(xué)習(xí)算法步驟4.選擇與權(quán)值向量的距離最小的神經(jīng)元計(jì)算并選擇使輸入向量和權(quán)值向量的距離最小的神經(jīng)元，把其稱為勝出神經(jīng)元并記為，并給出其鄰接神經(jīng)元集合。5.調(diào)整權(quán)值勝出神經(jīng)元和位于其鄰接神經(jīng)元的權(quán)值，按下式更新：6.是否達(dá)到預(yù)先設(shè)定的要求如達(dá)到要求則算法結(jié)束，否則返回2，進(jìn)入下一輪學(xué)習(xí)。五、SOM學(xué)習(xí)算法的MATLAB實(shí)現(xiàn)MATLAB中自組織神經(jīng)網(wǎng)絡(luò)的重要函數(shù)和基本功能
4、函數(shù)名功能newsom()創(chuàng)建一個(gè)自組織特征映射神經(jīng)網(wǎng)絡(luò)plotsom()繪制自組織特征映射網(wǎng)絡(luò)的權(quán)值矢量vec2ind()將單值矢量組變換成下標(biāo)矢量compet()競爭傳輸函數(shù)midpoint()中點(diǎn)權(quán)值初始化函數(shù)learnsom()自組織特征映射權(quán)值學(xué)習(xí)規(guī)則函數(shù)五、SOM學(xué)習(xí)算法的MATLAB實(shí)現(xiàn)MATLAB中自組織神經(jīng)網(wǎng)絡(luò)的重要函數(shù)和基本功能newsom()_功能:創(chuàng)建一個(gè)自組織特征映射網(wǎng)絡(luò)函數(shù)_格式:net=newsom(PR，[D1，D2，...]，TFCN，DFCN，OLR，OSTEPS，TL
5、R，TND)_說明：PR為網(wǎng)絡(luò)輸入矢量取值范圍的矩陣[PminPmax]；[D1，D2，...]為神經(jīng)元在多維空間中排列時(shí)各維的個(gè)數(shù)；TFCN為拓?fù)浜瘮?shù)，缺省值為hextop；DFCN為距離函數(shù)，缺省值為linkdist；OLR為排列階段學(xué)習(xí)速率，缺省值為0.9；OSTEPS為排列階段學(xué)習(xí)次數(shù)，缺省值為1000；TLR為調(diào)整階段學(xué)習(xí)速率，缺省值為0.02，TND為調(diào)整階段領(lǐng)域半徑，缺省值為1。五、SOM學(xué)習(xí)算法的MATLAB實(shí)現(xiàn)MATLAB中自組織神經(jīng)網(wǎng)絡(luò)的重要函數(shù)和基本功能yec2ind()_功能:將單
6、值向量組變換成下標(biāo)向量_格式:ind=vec2ind(vec)_說明:式中，vec為m行n列的向量矩陣x，x中的每個(gè)列向量i，除包含一個(gè)1外，其余元素均為0，ind為n個(gè)元素值為1所在的行下標(biāo)值構(gòu)成的一個(gè)行向量。六、SOM網(wǎng)絡(luò)應(yīng)用于模式分類以酒瓶分類回收三元色數(shù)據(jù)為例，按照顏色數(shù)據(jù)所表征的特點(diǎn)，將數(shù)據(jù)按各自所屬的類別歸類。其中，前29組數(shù)據(jù)已確定類別，后30組數(shù)據(jù)待確定類別。使用自組織競爭網(wǎng)絡(luò)對三元色數(shù)據(jù)進(jìn)行分類，其MATLAB程序如下：clear;clc;%訓(xùn)練樣本pConvert=importdata
7、('SelfOrganizationCompetitiontrain.dat');p=pConvert';net=newsom(minmax(p),[41]);%神經(jīng)元排列為[14]時(shí)結(jié)果相同，只是神經(jīng)元的位置改變了%設(shè)置網(wǎng)絡(luò)訓(xùn)練次數(shù)net.trainParam.epochs=200;%開始訓(xùn)練net=train(net,p);%繪制網(wǎng)絡(luò)的神經(jīng)元分布圖plotsom(net.layers{1}.positions);六、SOM網(wǎng)絡(luò)應(yīng)用于模式分類%用訓(xùn)練好的自組織競爭網(wǎng)絡(luò)對樣本點(diǎn)分類Y=sim(net,p)
8、;%分類數(shù)據(jù)轉(zhuǎn)換輸出Yt=vec2ind(Y)pause%待分類數(shù)據(jù)dataConvert=importdata('SelfOrganizationCompetitionSimulation.dat');data=dataConvert';%用訓(xùn)練好的自組織競爭網(wǎng)絡(luò)分類樣本數(shù)據(jù)Y=sim(net,data);Ys=vec2ind(Y)由于自組織特征映射神經(jīng)網(wǎng)絡(luò)采用的是無教師學(xué)習(xí)方式，沒有期望輸出，因此訓(xùn)練過程中不用設(shè)置判斷網(wǎng)絡(luò)
