快速了解LVQ神经网络是什么

本站原创文章，转载请说明来自《老饼讲解-BP神经网络》www.bbbdata.com

---

目录

一. 快速了解LVQ神经网络    

1.1 LVQ神经网络是什么    

1.2 LVQ神经网络的表示     

二. 关于LVQ神经网络的判别计算过程    

2.1 LVQ神经网络模型与它的判别方法    

2.2 LVQ模型的判别公式    

三. LVQ神经网络-简单Demo 

3.1 matlab的LVQ神经网络DEMO    

---

LVQ神经网络全称为Learning Vector Quantization，主要用于做分类
它是Kohonen于1989年提出基于竞争网络的学习矢量量化网络
本文面向新人入门，简单介绍LVQ神经网络的结构、运作，
通过本文可快速了解LVQ神经网络是个什么东西

一. 快速了解LVQ神经网络    

本节简单介绍LVQ神经网络的思想

1.1 LVQ神经网络是什么    

       LVQ用于解决分类问题，它先对每个类别都初始化一些类别判别中心点,然后通过训练来调整这些类别判别中心的位置,使它们能较好地识别训练样本

       这样，来了新样本，只要判断新样本离哪个聚类中心点近,就判断样本属于该聚类中心点所代表的类别

1.2 LVQ神经网络的表示     

LVQ神经网络的拓扑表示

LVQ一般用一个三层神经网络来表示，它的拓扑结构如下：

其中，输入层与隐层全链接，隐层与输出层的每个节点唯一连接

LVQ神经网络元素的意义

每个隐层节点代表着一个类别判别中心，它与输入层的权重就是它的位置，，它的输出层的连接代表着它是哪个类别的判别中心

例如，某个隐节点的输入权重为[0.3 0.5]，输出权重为[0 1]，则代表它的位置为[0.3,0.5], 是类别1的判别中心

二. 关于LVQ神经网络的判别计算过程    

本节简单介绍LVQ神经网络的模型是如何进行预测的

2.1 LVQ神经网络模型与它的判别方法    

LVQ训练后得到的模型就是和,即各个判别中心的位置和它们所属类别，

LVQ的判别方法就是样本离哪个判别中心最近，就将样本判别为它所属的类别标签

2.2 LVQ模型的判别公式    

LVQ神经网络的判别原理如上所述，本节展示具体的判别公式

LVQ模型的判别公式如下

其中，
👉W21为输入层到隐层的权重            
👉W32为隐层到输出层的权重            
👉dist为欧氏距离函数                        
👉compet则为向量竞争函数              
      即向量中最大值者为1，其它为0    

---

✍️备注
从判别公式可以看到，模型只依赖W21和W32
其中W21代表着各个判别中心的位置 
而W32则记录了判别中心所属的类别  

三. LVQ神经网络-简单Demo 

3.1 matlab的LVQ神经网络DEMO    

matlab可以通过newlvq函数构建一个LVQ神经网络,再利用train函数对网络进行训练，就可以得到训练好的LVQ神经网络，下面展示一个来自matlab官方的简单LVQ例子Demo
 matlab工具箱使用LVQ的Demo代码

%代码说明：LVQ的matlab工具箱使用Demo
%来自《老饼讲解神经网络》bp.bbbdata.com ,matlab版本：2014b
%-----------------------------------------------------
%数据准备
rand('seed',70)
P = [-3 -2 -2  0  0  0  0 +2 +2 +3; ...
    0 +1 -1 +2 +1 -1 -2 +1 -1  0];     % 输入数据
Tc = [1 1 1 2 2 2 2 1 1 1];            % 输出类别
T = ind2vec(Tc);                       % 将输出转为one-hot编码(代表类别的01向量)

%网络训练
net = newlvq(P,4,[.6 .4]);   % 建立一个LVQ神经网络
net = train(net,P,T);        % 训练神经网络
%预测
Y = sim(net,P);              % 预测(one-hot形式)
Yc = vec2ind(Y);             % 将one-hot编码形式转回类别编号形式
% 提取出各个类别的判别中心                            
c       = net.iw{1,1};                                % 中心
c_class = net.lw{2,1};                                % 中心所属类别
c       = [vec2ind(c_class)',c]                       % 添加中心的类别标签

plot(c(:,2),c(:,3),'o','MarkerEdgeColor','k','MarkerFaceColor','y','MarkerSize',10)
for i = 1: size(c,1)
text(c(i,2)-0.050,c(i,3)+0.02,num2str(c(i,1)))
end
title('LVQ预测类别')

得到结果如下

c =
    1.0000    0.0497   -0.0100
    1.0000   -0.0400    0.0099
    2.0000         0   -0.0398
    2.0000         0    0.0495
    

这就是上述例子中设置了4个类别判别中心的类别(第1列)和位置(第2-3列)

---

相关文章 
1-LVQ的学习目录：老饼|BP神经网络-竞争神经网络
2-径向基神经网络学习目录：老饼|径向基神经网络
3-BP的学习目录：老饼|BP神经网络-BP入门