2. Пример создания самоорганизующейся карты.
% Сгенерируем тестовые данные - 1000 случайных точек в диапазоне координат (-1,1) и нанесем их на график:
>> P=rands(2,1000);
>> plot(P(1,:),P(2,:),'+r')
% Создадим самоорганизующуюся карту размером 5 х 6 нейронов:
>>
net=newsom([0 1;0 1],[5 6]);
% Нанесем веса нейронов на график. Карта еще не обучилась, поэтому все веса изображены в виде единственной точки
>> plotsom(net.iw{1,1},net.layers{1}.distances)
% Установим количество эпох обучения = 1. Так как данных много, достаточно 1 эпохи обучения. В более сложных ситуациях количество эпох для полной организации карты может составлять 100-200
>> net.trainParam.epochs=1;
% Запустим механизм самообучения
>> net=train(net,P);
TRAINR, Epoch 1/1; TRAINR, Maximum epoch reached.
% Изобразим полученную в результате обучения карту на графике (см. рисунок 22)
>> plotsom(net.iw{1,1},net.layers{1}.distances)
% Теперь если мы сформируем произвольный вектор входа, то самоорганизующаяся карта Кохонена должна указать его принадлежность тому или иному кластеру (классу):
>> p=[0.5;0.3];
>> a=sim(net,p)
a = (16,1) 1
Указанный вектор принадлежит шестнадцатому кластеру.
1 Создайте слой Кохонена для кластеризации входных данных:
1 вариант |
2 вариант |
3 вариант |
4 вариант |
5 вариант |
|||||
x |
y |
x |
y |
x |
y |
x |
y |
x |
y |
1 |
1 |
7,5 |
1 |
1,5 |
1 |
1,5 |
1 |
1,5 |
1 |
2 |
2 |
8 |
2 |
2,5 |
2 |
2,5 |
2 |
2,5 |
2 |
3 |
1 |
8,5 |
1 |
2,5 |
1 |
2 |
3 |
2 |
3 |
1,5 |
10 |
4,5 |
4,5 |
5,5 |
4,5 |
5,5 |
4,5 |
7 |
1,5 |
5 |
5 |
3,5 |
5 |
4,5 |
4,5 |
4,5 |
4,5 |
6,5 |
2 |
6 |
4,5 |
5 |
5,5 |
5 |
5,5 |
5 |
5,5 |
6 |
1,5 |
5,5 |
6 |
3,5 |
6 |
6 |
6 |
6 |
6 |
6 |
9 |
8 |
10 |
8 |
10 |
8,5 |
10 |
2 |
10 |
2 |
10 |
9 |
9 |
9 |
9 |
1,5 |
9 |
5 |
6,5 |
5,5 |
8,5 |
1 |
10 |
7,5 |
9 |
7,5 |
9 |
1,5 |
9 |
5,5 |
9,5 |
2 |
11 |
8,5 |
8 |
1 |
8 |
1 |
8 |
1 |
8 |
3 |
10 |
7,5 |
10 |
7,5 |
10 |
1 |
10 |
1 |
10 |
6 вариант |
7 вариант |
8 вариант |
9 вариант |
10 вариант |
|||||
x |
y |
x |
y |
x |
y |
x |
y |
x |
y |
1,5 |
3 |
1,5 |
1 |
1,5 |
7,5 |
2 |
6 |
1,5 |
1,5 |
1 |
4,5 |
2,5 |
2 |
2,5 |
1,5 |
2 |
7 |
1 |
6,5 |
2 |
5 |
2,5 |
1 |
6,5 |
4 |
5,5 |
5 |
4 |
2,5 |
7 |
1,5 |
5,5 |
4,5 |
2 |
6 |
8 |
1 |
8 |
4 |
6,5 |
2 |
4,5 |
4,5 |
3 |
7,5 |
3 |
8 |
3,5 |
1,5 |
4,5 |
8 |
5 |
5,5 |
2 |
9 |
1 |
1 |
1,5 |
7 |
6 |
9 |
6 |
6 |
9 |
2,5 |
5 |
3,5 |
7 |
3,5 |
5 |
10,5 |
8,5 |
10 |
8 |
3 |
8 |
2 |
7,5 |
5 |
5,5 |
8,5 |
1,5 |
9 |
2,5 |
3 |
4,5 |
4,5 |
2,5 |
2 |
5,5 |
9,5 |
7,5 |
9 |
9 |
4 |
1,5 |
2 |
2 |
6 |
1 |
6 |
1 |
8 |
3 |
2,5 |
2 |
1 |
8,5 |
5 |
4,5 |
9,5 |
7,5 |
10 |
7,5 |
5 |
9 |
2,5 |
2,5 |
1 |
2 Создайте самообучающуюся карту признаков для кластеризации данных. Тестовые данные сгенерируйте случайным образом в квадрате (-1,1)(-1,1) в количестве:
1 вариант |
2 вариант |
3 вариант |
4 вариант |
5 вариант |
50 |
100 |
150 |
200 |
250 |
6 вариант |
7 вариант |
8 вариант |
9 вариант |
10 вариант |
300 |
350 |
400 |
450 |
500 |