LVQ神经网络算法是在有教师状态下对竞争层进行训练的一种学习算法,因此LVQ算法可以认为是把自组织特征映射算法改良成有教师学习的算法。LVQ神经网络算法可分为LVQ1算法和LVQ2算法两种。
(1)LVQ1算法
向量量化是利用输入向量的固有结构进行数据压缩的技术,学习向量量化是在向量量化基础上能将输入向量分类的监督学习技术。Kohonen把自组织特征映射算法改良成有教师学习算法,首先设计了LVQ1算法。LVQ1的训练过程开始于随机地自“标定”训练集合选择一个输入向量及该向量的正确类别
(2) LVQ2算法
在LVQ1算法中,只有一个神经元可以获胜,即只有一个神经元的权值可以得到更新调整。为了提高分类的正确率,Kohonen改进了LVQ1,并且被称为新版本LVQ2,。LVQ2算法局域光滑的移动决策边界逼近Bayes极限。LVQ2版本接着被修改,产生LVQ2.1,并且最终发展为LVQ3。这些后来的LVQ版本的共同特点是引用了“次获胜”神经元,获胜神经元的权值向量和“次获胜”神经元的权值向量都被更新。具体计算步骤如下:
步骤1:利用LVQ1算法对所有输入模式进行学习。
步骤2:将输入向量x=(x1,x2,…,xR)T送入到输入层,并根据公式(1)计算竞争层与输入向量的距离。
步骤3:选择与输入向量距离最小的两个竞争层神经元i,j。
步骤4:如果神经元i和神经元j满足以下两个条件:
1神经元i和神经元j对应于不同的类别;
2神经元i和神经元j与当前输入向量的距离di和dj满足公式(4):
步骤5:若神经元i和神经元j不满足步骤4中的条件,则只更新距离输入向量最近的神经元权值,更新公式与LVQ1算法步骤4相同。
(3) 模型建立
1. 设计思路
将乳腺肿瘤病灶组织的细胞核显微图像的10个量化特征作为网络的输入,良性乳腺肿瘤和恶性乳腺肿瘤作为网络的输出。用训练数据集对设计的LVQ神经网络进行训练,然后对测试集数据进行测试并对测试结果进行分析,最后通过与BP神经网络测试的结果进行对比分析。
2.设计步骤
根据上述设计思路,设计步骤主要包括以下几个,如图2所示
1)数据采集:采用威斯康辛大学的数据集;
2)网络创建:利用MATLAB自带的神经网络工具箱中的函数newlvq()可以构建一个LVQ神经网络;
3)网络训练:网络创建完毕后,根据数据的格式对神经网络的参数进行设置和修改。将训练集的数据输入网络,然后对LVQ神经网络进行训练;
4)网络仿真:LVQ神经网络通过训练后,将测试集的量化特征输入网络,便可以得到对应的输出(即分类)。
5)结果分析:通过对网络仿真结果的分析,可以得到误诊率(包括良性被误诊为恶性及恶性被误诊为良性),从而可以对该方法的可行性进行评价。
备注
简介此部分摘自互联网,仅供参考,若侵权,联系删除.
程序代码:
功能效果:
创作不易,相关程序,说明文档需求,如需要,可加作者新联系方式,WX:Q3101759565,QQ:3101759565[多加几次!!!]
祝您学业有成!工作顺利! 年薪百万!