第2章MATLAB神经网络工具箱函数.ppt

17. 自组织特征映射权值学习函数learnsom( ) 函数learnosom( )是根据所给出的学习参数LP开始的，其正常状态学习速率LP.order_lr默认值为0.9，正常状态学习步数LP.order_steps默认值为1000，调整状态学习速率LP.tune_lr默认值为0.02，调整状态邻域距离LP.tune_nd默认值为1。在网络处于正常状态和调整状态时,学习速率和邻域尺寸都得到更新。函数调用格式为： [dW,NLS]=learnsom(W,X,Z,N,A,T,E,gW,gA,D,LP,LS) 该函数的用法和其余参数的定义同函数learnk( )。 例X=rand(2,1);A =rand(4,1);w=rand(4,2); pos=hextop(2,2);D =linkdist(pos); lp.order_lr=0.9; lp.order_steps=1000; lp.tune_lr=0.02; lp.tune_nd=1; dW=learnsom(w,X,[],[],A,[],[],[],[],D,lp,[]) 结果显示： dW = -0.9046 -0.3596 -0.3741 0.0777 -1.1249 0.6372 -0.4979 0.0382 18. 绘制自组织特征映射网络的权值矢量函数plotsom( ) 函数plotsom(W,m)用于绘制自组织映射网络的权值图，在每个神经元的权矢量（行）相应的坐标处画一点，表示相邻神经元权值的点，根据邻阵m用实线连接起来。即如果M(i,j)小于等于1，则将神经元i和j用线连接起来，调用格式为： plotsom(W,m) 式中 W为权值矩阵；m为网络邻域。 例 对两组输入为12个神经元，随机产生权值。利用以下命令，可得图2-45所示的权值图。 W=rands(12,2); m=nbman(3,4); plotsom(W,m) 图2-45 输入样本向量的分布 19. 利用Kononen规则训练自组织特征映射网络函数trainsm( ) 对自组织特征映射网络的权值初始化后，便可应用函数trainsm( )对网络进行训练，自组织特征映射网络由一层一维或多维的神经元构成。任何时候，只有网络输入最大的神经元输出为1，相邻的神经元输出为0.5，其余所有神经元输出为0，函数调用格式为： W=trainsm (w,m,X,tp) 例创建一个具有100个元素的输入向量，构造一个排列在3?3栅格上由9个 神经元组成的自组织 特征映射网络。可利 用以下命令，返回新 的权值矩阵如图2-46 所示。 X=rand(2,100); w=initsm(X,9); m=nbman(3,3); W=trainsm(w,m,X,[20,400]) 图2-46 权值矩阵 20. 自组织特征映射网络仿真simusm( ) 自组织特征映射网络由分布在一维或多维空间的神经元组成，在任何给定时间，只有网络输入最大的神经元输出为1，与获胜神经元相邻的神经元输出为0.5，其余神经元输出为0。函数调用格式为： Y=simusm(X,w,m,n) 例 w=initsm([0 2;-5 5],4);m=nbman(1,1); Y=simusm ([2;4],w,m) 结果显示： Y = (1,1) 1 例2-28 建立一个具有30个神经元的二维自组织特征映射神经网络来对1000个二维随机输入向量分类。并对其进行训练和仿真。 ex2_28 利用以上程序可得如下结果以及图2-47和图2-48。 y = (21,1) 0.5000 (26,1) 0.5000 (27,1) 1.0000 (28,1) 0.5000 图2-47 1000个二维样本向量的分布 图2-48 训练后网络权值的分布 1. 竞争传输函数compet( ) 函数compet( )将神经网络输入进行转换，使网络输入最大的神经元输出为1，而其余的神经元输出为0。函数compet ( )调用格式为： Y=compet(X) 或 Y=compet(Z,b) 例 X=[0;0.2;0.6;0.1];y=compet(X) 结果显示： y = (3,1)