自组织竞争神经网络案例（虹膜花）

最新推荐文章于 2024-07-05 15:24:49 发布

入间同学

最新推荐文章于 2024-07-05 15:24:49 发布

阅读量718

点赞数

分类专栏： matlab 神经网络文章标签：神经网络

本文链接：https://blog.csdn.net/weixin_43967360/article/details/106655240

版权

本文介绍了如何使用自组织映射(SOMs)对虹膜花数据集进行分类。通过设置一个8x8的神经元层，SOM能够捕捉到数据的拓扑信息，有效地进行聚类。训练过程展示了网络如何学习并将输入数据映射到二维神经元层上，从而对新花进行分类。plotsomtop等可视化工具帮助我们理解各个神经元的分布和类别关系。

摘要由CSDN通过智能技术生成

自组织竞争神经网络案例（虹膜花）
自组织地图(SOMs)非常擅长创建分类。此外,分类还保留了哪些类最类似于其他类的拓扑信息。自组织映射可以用任何需要的细节来创建。它们特别适合于许多维度的聚类数据,以及复杂的形状和连通的特征空间。它们很适合分类识别虹膜花。
四个花的属性将作为SOM的输入,它将映射到一个二维的神经元层。
程序如下：
x = iris_dataset;%首先导入数据；
net = selforgmap([8 8]);
view(net)
在这里插入图片描述
selforgmap通过在层的每个维度中选择神经元的数量来创建自组织映射,以对样本进行分类。我们将尝试一个2维度层的64个神经元排列在一个8x8六边形网格中的。一般来说,更大的细节是通过更多的神经元实现的,而更多的维度允许建模更复杂的特征空间的拓扑。输入大小为0,因为网络尚未被配置来匹配我们的输入数据。
在这里插入图片描述
[net,tr] = train(net,x);
nntraintool
NN训练工具显示了被训练的网络和用来训练它的算法。它还在训练期间显示训练状态,停止训练的标准将以绿色突出显示。
在底部开放有用的地块上的按钮可以在训练期间和之后打开。在算法名称旁边的链接,并在这些主题上列出打开文档的按钮。
在这里插入图片描述
在这里,自组织映射用于计算每个训练输入的