基于竞争神经网络的无监督数据聚类（分类）——附代码

目录

参考文献：

1.竞争神经网路介绍：

2.仿真实验：

3. 本文Maltab代码

---

参考文献：

1.竞争神经网路介绍：

竞争型神经网络是以无教师示教方式进行网络训练的一种神经网络。它的特点是能将输入数据中隐含的特征抽取出来，自动进行学习。网络通过自身训练，自动对输入模式进行分类。竞争型神经网络在结构上一般是由输入层和竞争层构成的两层网络。两层之间各神经元实现双向全连接，没有隐含层，有时竞争层各神经元之间还存在横向连接。在学习方法上，不是以网络的误差或能量函数的单调递减作为算法准则，而是依靠神经元之间的兴奋、协调、抑制、竞争的作用来进行信息处理，指导网络的学习与工作。长期以来，一些研究者提出了基于以上竞争型神经网络模型的许多改进方法，使神经网络模型的功能和性能得到很大提高，这些都为神经网络技术应用于数据挖掘奠定了一定的基础。然而其进一步的发展却受到许多缺陷的限制，主要表现在：

第一，输入模式过于臃肿和训练时间过于漫长，影响了神经网络的训练速度和训练效果。为了解决神经网络的训练规模归于庞大的缺点，有学者利用粗糙集理论对输入数据进行预处理，消除输入模式的冗余属性，从而简化了神经网络的训练规模。但是粗糙集理论的缺点是只能处理离散化的数据，而对连续输入属性无能为力。而在现实的数据库中，大部分是连续性数据或是连续性和离散性相混合的数据，因此在数据处理前必须对数据进行离散化处理，这极大地限制了粗糙集理论在聚类分析中的应用范围。

第二，竞争型神经网络存在“死点”问题，某些神经元在竞争中可能始终未能获胜而成为“死神经元”，不仅造成神经元的浪费，而且造成训练误差偏大，无法达到训练误差的精度要求，不能很好完成它所担负的聚类或分类任务。

2.仿真实验：

首先生成需要聚类的数据，共80个样本，每个样本有2个特征值，所有样本在二维空间中的分布如下：

然后，设置网路神经元的个数，这里设置神经元个数为8个，首先将网路的权重向量至于所有聚类数据的中心，然后开始训练竞争神经网络：

训练完成后，竞争神经网络的权重参数分布在对应的聚类中心，此时完成数据的聚类。如下图所示

输入一个样本，即可查询对应的分类情况，比如输入样本特征值为[0,0.2]，则网络输出其对应的分类：

3. 本文Maltab代码