SOFM 网络的MATLAB实现

                                                

    MATLAB 的 NN Toolbox 提供了丰富的函数建立神经网络，主要包括神经网络函数、权值函数、网络的输入函数、传递函数、初始化函数、性能函数、学习函数、自适应函数、以及训练函数等。因此熟练掌握好建立、学习、训练网络的 NNToolbox 非常必要，下面以一个具体的实例说明 SOFM 网络实现仿真的全过程。

SOFM 网络的建立：

MATLAB 中 建 立 SOFM 网 络 的 专 用 函 数 是 newsom （ ） , 其 语 法 格 式 为newsom(P,[D1,D2,D3,…,Di])，newsom( )函数返回一个新的自组织特征映射。其中，输入矢量矩阵 P 为 R×2 维矩阵，R 为输入矢量的个数，并且在输入矩阵 P 中必须指明每一个输入矢量的最大、最小范围；i 表示网络层的维数大小。下面结合一个实例介绍一下建立 SOFM 的过程：假设我们随机生成 100 个二维向量，作为样本，并对这些输入向量分类，并绘制其分布。使用默认的函数距离来计算距离。Matlab程序及结果图如下：

%% 1、SOFM网络的建立
clc;

clear;

%随机生成 100 个二维向量，作为样本，并绘制其分布
P = rands(2,100); 				%随机生成100个点，第一行为横坐标，第二行为纵坐标，每个数的范围都是[-1,1]
plot(P(1,:),P(2,:),'+r')		%在二维坐标上画出这100个点
title('初始随机样本点分布');	%
xlabel('P(1)');
ylabel('P(2)');

%建立网络，得到初始权值
net = newsom([0 1;1 2],[5 6]);	%[0 1;1 2]这里限定了初始权值的范围，求取输入向量的最大值最小值，也是为了得到初始权值
w1_init=net.iw{1,1}
%绘制出初始权值分布图
figure;
plotsom(w1_init,net.layers{1}.distances)

%% 2、SOFM网络的训练
for i = 10:30:100		%每循环一次，加30，共训练4次，分别是10,40,70,100
net.trainParam.epochs = i;
net = train(net,P);
figure;
plotsom(net.iw{1,1},net.layers{1}.distances)
end

                               图1

图2

                                             图3

图4说明：

1、图1为二维点的分布。

2、图2为，权值分布，其实总共有60个点，因为[5,6]代表竞争层有30个神经元，而输入层只有2个，即每个竞争层神经元对应着2个输入层的阈值，即二维的点，所以共有60个点都重合了。有些书对于此建立网络的方法的解读，是求取神经元的最大值和最小值，道理是一样的，都是为了把初始阈值设置为最大值和最小值的平均值。向量为R*2,R为输入向量的维数。

3、图3，为训练10次的结果，图4为训练100次的结果。