Лабораторная работа №7 исследование сети кохонена и алгоритма обучения без учителя
жүктеу/скачать 1,17 Mb.
|
Лабораторная работа №7
- Бұл бет үшін навигация:
- Создание и использование соперничающего слоя в командном окне
- Применение SOM для кластеризации векторов
data2 = [1.7; 8.7];a = sim(network1, data1) a = (3,1) 1 Возбужденный нейрон показывает номер класса. В нашем случае входной вектор data2 отнесен к третьему классу. Создание и использование соперничающего слоя в командном окнеЗададим множество, состоящее из четырех двухэлементных векторов Р: P = [.2 .5 .1 .8; .3 .7 .2 .6]; % определение входного вектора Соперничающий слой должен разделить входы на два класса: net = newc ([0 1; 0 1], 2); % создание соперничающего слоя net = train (net, P); % обучение соперничающего слоя на векторе Р Результирующая сеть выдает выходной вектор, конвертируемый в номер класса: Y = sim (net, P) % имитация работы слоя Y =
Yc = vec2ind(Y) % конвертирование выхода сети в номер класса; Y состо- ит из векторов, содержащих только по одной единице. Функция vec2ind пока- зывает индексы единичных позиций. Yc = 2 1 2 1 Пример решения задачи кластеризации векторов Пусть заданы 30 случайных векторов, изображённых на графике снежин- ками (рисунок 7.10). Оцифровав данный график, можно получить массив вход- ных данных P(1,:), P(2,:) (табл. 7.1). 6
4 2
0 -2 -4 -4 -2 0 2 4 6 8 10
Рисунок 7.10. Распределение входных векторов Таблица 7.1. Массив входных данных Следующий алгоритм демонстрирует процедуру обучения самоорганизу- ющейся нейронной сети Кохонена. plot(P(1,:), P(2,:), '*g');title('Input vectors'); xlabel('P(1,:)'); ylabel('P(2,:)'); hold on; nclusters = 6; a1 = -3; a2 = 10; b1 = -3; b2 = 9; net = newc([a1 a2; b1 b2], nclusters, 0.1, 0.0005); wo = net.IW{1}; bo = net.b{1}; net.trainParam.epochs=100; net.trainParam.show=20; net = train(net,P); w = net.IW{1}; bn = net.b{1}; plot(w(:,1),w(:,2),'kp'); На рисунке 7.11 представлены исходные данные (снежинки) и полученные центры кластеризации (звёзды). Input vectors 6 4 P(2,:) 2 0 -2 -4 -4 -2 0 2 4 6 8 10 P(1,:) Рисунок 7.11. Распределение входных данных (крестики) и положение центров кластериза- ции (звёздочки) Применение SOM для кластеризации векторовРассмотрим работу SOM на примере задачи кластеризации 1000 двухэле- ментных векторов, расположенных в ограниченной прямоугольной области (Рисунок 7.12). P = rands(2, 1000); % определение множества векторов для кластеризации plot(P(1,:), P(2,:), '*g') % изображение множества векторов 1 0.8
0.6
0.4
0.2
0
-0.2 -0.4 -0.6 -0.8 -1
-0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1 Рисунок 7.12. Множество исходных векторов для кластеризации net = newsom ([0 1; 0 1], [5 6]); % создание SOM размерностью 5x6. Используем сеть размерностью 5x6, чтобы классифицировать вышеопре- деленные векторы. Создадим сеть с 30 центрами, к которым сеть будет отно- сить каждый вектор на основе ближайшего соседства. plotsom(net. iw{ 1,1}, net.layers{1}.distances); % визуализация SOM Сначала центр прямоугольника совпадает с центрами классов. Обучим сеть на 100 эпохах и изобразим результат: net.trainParam.epochs = 100; % установка количества эпох net = train(net, P) % обучение сети Во время обучения появляется панель инструментов (рисунок 7.13). Есть несколько полезных визуализаций, доступ к которым можно полу- чить из этого окна. При нажатии SOM Weight Positions, появляется фигура (ри- сунок 7.14), которая показывающая расположение точек данных и весовых век- торов. Как показано на рисунке, только после 100 итераций алгоритма, веса си- напсов настроились таким образом, чтобы узлы решетки «располагались» в ме- стах локальных сгущений данных, то есть описывали кластерную структуру облака данных. Рисунок 7.13. Окно обучения нейронной сети Рисунок 7.14. Расположение точек данных и весовых векторов При высокой размерности входа, нельзя одновременно визуализировать все веса. В этом случае, можно нажать SOM Neighbor Distances (рисунок 7.15). Здесь используется следующее кодирование цвета: синие шестиугольни- ки представляют собой нейроны. Красные линии соединяют соседние нейроны. Цвета в областях, содержащих красные линии указывают расстояния между нейронами. Более темные цвета представляют большие расстояния. Чем свет- лее цвета, тем меньше расстояния. Сравнивая рисунки 7.15 и 7.15, убеждаемся в их идентичности. Рисунок 7.15. Сила взаимодействия (веса нейронов) соседних нейронов в карте Кохонена Нажав SOM Sample Hits можно увидеть количество точек данных, связан- ных с каждым нейроном (рисунок 7.16). Лучше всего, если данные достаточно равномерно распределены между нейронами. В этом примере, данные менее связанны с центральными нейронами, но в целом распределение удовлетвори- тельное. Рисунок 7.16. Количество точек данных, связанных с каждым нейроном Визуализацию весов, соединяющих каждый вход с каждым из нейронов, можно увидеть нажав SOM Weight Planes (рисунок 7.17). Здесь темные цвета представляют большие веса. Если схемы соединения из двух входов очень по- хожи, можно предположить, что входы высоко коррелированны. В нашем слу- чае вход 1 имеет связи, которые очень отличаются от входа 2. Рисунок 7.17. Визуализация весов, соединяющих каждый вход с каждым из нейронов жүктеу/скачать 1,17 Mb. Достарыңызбен бөлісу:
|