АвтоАвтоматизацияАрхитектураАстрономияАудитБиологияБухгалтерияВоенное делоГенетикаГеографияГеологияГосударствоДомДругоеЖурналистика и СМИИзобретательствоИностранные языкиИнформатикаИскусствоИсторияКомпьютерыКулинарияКультураЛексикологияЛитератураЛогикаМаркетингМатематикаМашиностроениеМедицинаМенеджментМеталлы и СваркаМеханикаМузыкаНаселениеОбразованиеОхрана безопасности жизниОхрана ТрудаПедагогикаПолитикаПравоПриборостроениеПрограммированиеПроизводствоПромышленностьПсихологияРадиоРегилияСвязьСоциологияСпортСтандартизацияСтроительствоТехнологииТорговляТуризмФизикаФизиологияФилософияФинансыХимияХозяйствоЦеннообразованиеЧерчениеЭкологияЭконометрикаЭкономикаЭлектроникаЮриспунденкция

Пример решения типовой задачи

Читайте также:
  1. FAST (Методика быстрого анализа решения)
  2. I Психологические принципы, задачи и функции социальной работы
  3. I. 1.1. Пример разработки модели задачи технического контроля
  4. I. 1.2. Общая постановка задачи линейного программирования
  5. I. 2.1. Графический метод решения задачи ЛП
  6. I. ГИМНАСТИКА, ЕЕ ЗАДАЧИ И МЕТОДИЧЕСКИЕ ОСОБЕННОСТИ
  7. I. ЗАДАЧИ ПЕДАГОГИЧЕСКОЙ ПРАКТИКИ
  8. I. Значение и задачи учета. Основные документы от реализации продукции, работ, услуг.
  9. I. Ситуационные задачи и тестовые задания.
  10. I. Цель и задачи дисциплины
  11. I.5.3. Подготовка данных для задачи линейного программирования
  12. I.5.4. Решение задачи линейного программирования

Пусть заданы 28 случайных векторов, изображённых на графике крестами (рис. 10). Оцифровав данный график, можно получить массив входных данных (табл. 1).

Рис. 10. Распределение входных векторов

 

Таблица 1

 

Массив входных данных

P(1,:) 3.0 -0.1 4.3 4.6 8.5 1.8 8.3 2.5 0.2 4.6
P(2,:) 1.0 3.7 4.4 2.3 2.7 3.3 -0.1 1.2 3.6 4.7
P(1,:) 4.5 8.5 2.2 8.2 2.7 0.2 4.4 4.6 8.3 2.0
P(2,:) 2.3 2.9 3.2 0.1 0.8 4.0 4.5 2.2 2.4 3.3
P(1,:) 8.5 2.7 0.1 4.3 4.7 8.5 2.1 8.3    
P(2,:) 0.0 0.9 4.0 4.4 1.9 2.5 3.5 -0.3    

 

Следующий алгоритм демонстрирует процедуру обучения самоорганизующейся нейронной сети Кохонена.

 

plot(P(1,:), P(2,:), '+m');

title('Input vectors');

xlabel('P(1,:)');

ylabel('P(2,:)');

hold on;

nclusters = 7;

a1 = -10;

a2 = +10;

b1 = -5;

b2 = +5;

net = newc([a1 a2; b1 b2], nclusters, 0.1, 0.0005);

wo = net.IW{1};

bo = net.b{1};

net.trainParam.epochs=49;

net.trainParam.show=7;

net = train(net,P);

w = net.IW{1};

bn = net.b{1};

plot(w(:,1),w(:,2),'kp');

 

На рис. 11 представлены исходные данные (кресты) и полученные центры кластеризации (звёзды).

 

 

Рис. 11. Распределение входных данных (кресты) и положение центров кластеризации (звёзды)

 


1 | 2 |


При использовании материала, поставите ссылку на Студалл.Орг (0.005 сек.)