АвтоАвтоматизацияАрхитектураАстрономияАудитБиологияБухгалтерияВоенное делоГенетикаГеографияГеологияГосударствоДомДругоеЖурналистика и СМИИзобретательствоИностранные языкиИнформатикаИскусствоИсторияКомпьютерыКулинарияКультураЛексикологияЛитератураЛогикаМаркетингМатематикаМашиностроениеМедицинаМенеджментМеталлы и СваркаМеханикаМузыкаНаселениеОбразованиеОхрана безопасности жизниОхрана ТрудаПедагогикаПолитикаПравоПриборостроениеПрограммированиеПроизводствоПромышленностьПсихологияРадиоРегилияСвязьСоциологияСпортСтандартизацияСтроительствоТехнологииТорговляТуризмФизикаФизиологияФилософияФинансыХимияХозяйствоЦеннообразованиеЧерчениеЭкологияЭконометрикаЭкономикаЭлектроникаЮриспунденкция
|
Пример решения типовой задачи
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 | Поиск по сайту:
|