当前位置：网站首页>MATLAB小技巧（25）竞争神经网络与SOM神经网络

MATLAB小技巧（25）竞争神经网络与SOM神经网络

2022-07-04 09:32:00 【mozun2020】

MATLAB小技巧（25）竞争神经网络与SOM神经网络

前言
一. MATLAB仿真
二. 仿真结果
三. 小结

前言

MATLAB进行图像处理相关的学习是非常友好的，可以从零开始，对基础的图像处理都已经有了封装好的许多可直接调用的函数，这个系列文章的话主要就是介绍一些大家在MATLAB中常用一些概念函数进行例程演示！

竞争型神经网络是基于无监督学习（Unsupervised learning）方法的神经网络的一种重要类型，它经常作为基本的网络形式，构成其它一些具有自组织能力的网络，如自组织映射网络（SOM）、自适应共振理论网络、学习向量量化网络等。

自组织映射(Self-organizing map, SOM)通过学习输入空间中的数据，生成一个低维、离散的映射(Map)，从某种程度上也可看成一种降维算法。SOM是一种无监督的人工神经网络。不同于一般神经网络基于损失函数的反向传递来训练，它运用竞争学习(competitive learning)策略,依靠神经元之间互相竞争逐步优化网络。且使用近邻关系函数(neighborhood function)来维持输入空间的拓扑结构。维持输入空间的拓扑结构：意味着二维映射包含了数据点之间的相对距离。输入空间中相邻的样本会被映射到相邻的输出神经元。

由于基于无监督学习,这意味着训练阶段不需要人工介入(即不需要样本标签)，即可以在不知道类别的情况下，对数据进行聚类；可以识别针对某问题具有内在关联的特征。竞争神经网络与SOM神经网络预测分析对比的仿真示例分享给大家，MATLAB版本为MATLAB2015b。

一. MATLAB仿真

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%功能：竞争神经网络与SOM神经网络
%环境：Win7，Matlab2015b
%Modi: C.S
%时间：2022-06-27
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

%% I. 清空环境变量
clear all
clc

tic
%% II. 训练集/测试集产生
%%
% 1. 导入数据
load water_data.mat

%%
% 2. 数据归一化
attributes = mapminmax(attributes);

%%
% 3. 训练集和测试集划分

% 训练集——35个样本
P_train = attributes(:,1:35);
T_train = classes(:,1:35);
% 测试集——4个样本
P_test = attributes(:,36:end);
T_test = classes(:,36:end);

%% III. 竞争神经网络创建、训练及仿真测试
%%
% 1. 创建网络
net = newc(minmax(P_train),4,0.01,0.01);

%%
% 2. 设置训练参数
net.trainParam.epochs = 500;

%%
% 3. 训练网络
net = train(net,P_train);

%%
% 4. 仿真测试

% 训练集
t_sim_compet_1 = sim(net,P_train);
T_sim_compet_1 = vec2ind(t_sim_compet_1);
% 测试集
t_sim_compet_2 = sim(net,P_test);
T_sim_compet_2 = vec2ind(t_sim_compet_2);

%% IV. SOFM神经网络创建、训练及仿真测试
%%
% 1. 创建网络
net = newsom(P_train,[4 4]);

%%
% 2. 设置训练参数
net.trainParam.epochs = 200;

%%
% 3. 训练网络
net = train(net,P_train);

%%
% 4. 仿真测试

% 训练集
t_sim_sofm_1 = sim(net,P_train);
T_sim_sofm_1 = vec2ind(t_sim_sofm_1);
% 测试集
t_sim_sofm_2 = sim(net,P_test);
T_sim_sofm_2 = vec2ind(t_sim_sofm_2);

%% V. 结果对比
%%
% 1. 竞争神经网络
result_compet_1 = [T_train' T_sim_compet_1']
result_compet_2 = [T_test' T_sim_compet_2']

%%
% 2. SOFM神经网络
result_sofm_1 = [T_train' T_sim_sofm_1']
result_sofm_2 = [T_test' T_sim_sofm_2']
toc

二. 仿真结果


result_compet_1 =

     1     1
     1     4
     1     2
     1     1
     1     1
     1     2
     2     4
     2     4
     2     4
     2     4
     2     4
     2     4
     2     4
     2     4
     2     1
     2     1
     2     4
     2     4
     3     3
     3     3
     3     3
     3     3
     3     3
     3     3
     3     3
     3     3
     3     3
     4     2
     4     2
     4     2
     4     2
     4     1
     4     1
     4     1
     4     1


result_compet_2 =

     1     4
     2     4
     3     3
     4     2


result_sofm_1 =

     1     9
     1    11
     1    12
     1     9
     1     4
     1    12
     2    10
     2    10
     2    10
     2    10
     2    10
     2    10
     2    13
     2    10
     2     9
     2     9
     2    14
     2    10
     3     3
     3     5
     3     1
     3     1
     3     1
     3     2
     3     1
     3     2
     3     1
     4    15
     4    12
     4    16
     4    15
     4     7
     4     7
     4     8
     4     8


result_sofm_2 =

     1    11
     2    10
     3     1
     4    15

时间已过 10.817151 秒。