Лабораторная работа №7 исследование сети кохонена и алгоритма обучения без учителя
Применение нейронной сети Кохонена для кластеризации
жүктеу/скачать 1,17 Mb.
|
Лабораторная работа №7
- Бұл бет үшін навигация:
- P = v;
Применение нейронной сети Кохонена для кластеризацииСформируем координаты случайных точек и построим их расположение на плоскости. Для этого в m-файле необходимо создать следующую программу c = 8; %Число кластеров n = 6; %Число векторов в кластере d = .5; %Среднее отклонение от центра кластера x = [-10 10; -5 5];[r,q] = size(x); minv = min(x')'; maxv = max(x')'; v = rand(r,c).*((maxv-minv)*ones(1,c)+minv*ones(1,c)); t = c*n; % число точек v = [v v v v v v]; v = v+randn(r,t)*d; % координаты точек P = v;При помощи средства NNTools Manager импортируем данные. Рисунок 7.2. Окно для импорта и загрузки данных Для распределения этих данных по классам создадим однослойную нейронную сеть Кохонена. Рисунок 7.3. Окно создания нейронной сети Рисунок 7.4. Диалоговая панель Network Проведем инициализацию весов сети, установим диапазон изменения входных данных и проведем обучение сети. Рисунок 7.5. Окно обучения нейронной сети Для иллюстрации обучения построим расположение входных данных. plot (P(1, :), P(2, :), ‘+r’) % рисунок 7.6 5 4 3 2 1 0 -1 0 2 4 6 8 10 12 Рисунок 7.6. Распределение входных данных Построим центры классифицируемых областей. Для чего необходимо экспортировать нейронную сеть в рабочую область системы MatLab. Рисунок 7.7. Окно для импорта и загрузки данных hold on; plot (network1.IW{1}(: , 1), network1.IW{1}(: , 2) ,'ob')5
4 3
2 1
0 -1
Рисунок 7.8. Распределение входных данных (крестики) и положение центров кластеризации (символ «о») Для отнесения двумерного вектора к тому или иному классу необходимо задать его в системе MatLab и симулировать им сеть. Рисунок 7.9. Выходные значения нейронов, соответствующие номеру класса жүктеу/скачать 1,17 Mb. Достарыңызбен бөлісу:
|