第五课 竞争神经网络和SO(F)M神经网络——无监督神经网络模型

前三四节课讲得是有监督神经网络，这一节课讲得两种神经网络是无监督神经网络，不需要给出类别（标签），只需要给出输入即可。所有神经网络的重点就是阈值b和权值W的生成过程，是根据参数所决定的，可访问函数内部去了解算法。
有监督：需要输入和划分标签，结果是判断是哪一类东西，比如：训练西瓜，苹果等，然后给出新水果告诉你是哪一种水果。
无监督：只需要输入无标签，结果判定属于哪一群体的，这群体是什么不知道。比如：训练一堆水果（什么都有，但是都不知道名字），然后一新水果，判断是一堆中的哪一堆。常见的名词是“聚类”。同类放一块，具体类别不知道。

自组织映射（self-organizing map ，SOM）或自组织特征映射（self-organizing feature map，SOFM）

newc：
– 创建竞争神经网络( competitive layer)
– PR输入的维度，s隐藏层神经元个数，KLR权值学习率，CLR阈值学习率
– net = newc(PR,S,KLR,CLR)
newsom:
– 创建SOM
– P输入样本，[D1]网络拓扑结构，TFCN拓扑类型函数，DFCN距离计算方式，STEPS迭代领域变化的大小，IN初始领域
– net = newsom(P,[D1,D2,...],TFCN,DFCN,STEPS,IN)

案例实战：

数据样本介绍：water_data.mat

竞争神经网络的创建：

% 1. 创建网络   维度，隐藏层神经元个数，权值学习率，阈值学习率，
% minmax()函数用于获取数组中每一行的最小值和最大值。本案例中为6组【-1,1】
net = newc(minmax(P_train),4,0.01,0.01);

% 2. 设置训练参数
net.trainParam.epochs = 500;

%%
% 3. 训练网络
net = train(net,P_train);

SOM神经网络的创建：

%% IV. SOFM神经网络创建、训练及仿真测试
%%
% 1. 创建网络 输入样本 4*4的网络拓扑结构
net = newsom(P_train,[4 4]);

%%
% 2. 设置训练参数
net.trainParam.epochs = 200;

%%
% 3. 训练网络
net = train(net,P_train);

综上两个网络，在训练的时候没有用的classes里面的数据，体现了无监督的特性。

%% I. 清空环境变量
clear all
clc

%% II. 训练集/测试集产生
%%
% 1. 导入数据
load water_data.mat

%%
% 2. 数据归一化【-1，1】
attributes = mapminmax(attributes);

%%
% 3. 训练集和测试集划分，没有随机划分，前35训练集，后4测试集

% 训练集——35个样本
P_train = attributes(:,1:35);
T_train = classes(:,1:35);
% 测试集——4个样本
P_test = attributes(:,36:end);
T_test = classes(:,36:end);

%% III. 竞争神经网络创建、训练及仿真测试
%%
% 1. 创建网络   维度，隐藏层神经元个数，权值学习率，阈值学习率，
% minmax()函数用于获取数组中每一行的最小值和最大值。
net = newc(minmax(P_train),4,0.01,0.01);

%%
% 2. 设置训练参数
net.trainParam.epochs = 500;

%%
% 3. 训练网络
net = train(net,P_train);

%%
% 4. 仿真测试

% 训练集
t_sim_compet_1 = sim(net,P_train);
T_sim_compet_1 = vec2ind(t_sim_compet_1);
% 测试集
t_sim_compet_2 = sim(net,P_test);
T_sim_compet_2 = vec2ind(t_sim_compet_2);

%% IV. SOFM神经网络创建、训练及仿真测试
%%
% 1. 创建网络 输入样本 网络拓扑结构
net = newsom(P_train,[4 4]);

%%
% 2. 设置训练参数
net.trainParam.epochs = 200;

%%
% 3. 训练网络
net = train(net,P_train);

%%
% 4. 仿真测试

% 训练集
t_sim_sofm_1 = sim(net,P_train);
T_sim_sofm_1 = vec2ind(t_sim_sofm_1);
% 测试集
t_sim_sofm_2 = sim(net,P_test);
T_sim_sofm_2 = vec2ind(t_sim_sofm_2);

%% V. 结果对比
%%
% 1. 竞争神经网络
result_compet_1 = [T_train' T_sim_compet_1']
result_compet_2 = [T_test' T_sim_compet_2']

%%
% 2. SOFM神经网络
result_sofm_1 = [T_train' T_sim_sofm_1']
result_sofm_2 = [T_test' T_sim_sofm_2']

竞争神经网络结果比较：
result_compet_1 =

 1     1
 1     4
 1     4
 1     1                                                 第一列表示T_train'   1*35
 1     1                                                 第二列表示为P—train的变形 T_sim_compet_1  1*35
 1     4
 2     1
 2     1
 2     1                                                因为有四种类型，所以输出是4中，分别用1 2 3 4表示
 2     1                                                第二列的数字表示对应的神经元，竞争网络隐藏层有4个神经元所以1-4
 2     1                                             前六个第一列为1，表示第一类，后面有1和4表示第一类对应1和4神经元
 2     1
 2     4
 2     1
 2     1
 2     1
 2     4
 2     1
 3     3
 3     3
 3     3
 3     3
 3     3
 3     3
 3     3
 3     3
 3     3
 4     4
 4     4
 4     4
 4     4
 4     1
 4     1
 4     1
 4     1

result_compet_2 = 上面是训练的过程没这是验证

 1     4                                      1类对应1和4，所以这个结果不完全
 2     1                                       2类也是1和4，不完全
 3     3                                       3类值对应3，所以对
 4     4                                         4类1和4故不完全

SOFM网络结果比较：
result_sofm_1 =

 1     8
 1    11
 1    14
 1     7
 1     3                                                 可根据每一类的对应的神经元和颜色图比较，
 1    14                                                同一类的颜色浅
 2    12
 2    12
 2    12
 2    12
 2    12
 2    12
 2    15
 2    12
 2     8
 2     8
 2    15
 2    12
 3     6
 3    10
 3     1
 3     1
 3     5
 3     2
 3     1
 3     2
 3     1
 4    16
 4    14
 4    13
 4    16
 4     4
 4     4
 4     4
 4     4

result_sofm_2 =

 1    11
 2    12
 3     1
 4    16