竞争型神经网络续1

1.竞争神经网络函数

1.1创建函数

1.1.1 newc函数

newc函数用于创建一个竞争层，这是一个旧版本的函数，现在用competlayer函数代替。函数调用格式：

net = newc(range,class,klr,clr);

其中，class是数据类别个数，也是竞争层神经元的个数；klr和clr分贝是网络的权值学习速率和阈值学习速率。竞争型网络在训练时不需要目标输出，网络通过对数据分布特性的学习，自动地将数据划分为制定类别数。

返回参数net是一个新的竞争层。该网络采用negdist作为权值函数，netsum作为网络输入函数，以及compet作为传输函数。除了权值以外，网络还包含一个阈值，权值和阈值使用midpoint和initcon函数进行初始化。

p=[0.1 0.8 0.1 0.9;0.2 0.9 0.1 0.8];
% 创建自组织竞争神经网络
net=newc(p,2);
% 训练神经网络
net = train(net,p);
% 网络仿真
y = sim(net,p)
yc = vec2ind(y)

1.1.2 competlayer函数

competlayer函数创建一个竞争网络层，它根据输入样本之间的相似性对其及逆行分类，分类的类别数是给定的。该函数总是倾向于给每一个类别分配相同数量的样本，尽量均衡地进行分配。函数的调用格式为：

competlayer(numClass,kohonenLR,conscienceLR) 其中，输入参数numClass为分类的类别数；kohonenLR为Kohonen学习率；conscienceLR为“良心”学习率，即阈值学习规则的学习率。

inputs=iris_dataset;
net=competlayer(6);
net=train(net,inputs);
view(net)
outputs=net(inputs)
classes=vec2ind(outputs)

1.1.3 newsom函数

newsom函数可以创建一个自组织特征映射网络，在新版本中使用selforgmap代替。函数调用格式如下：

net = newsom(PR,[d1,d2,...],tfcn,dfcn,olr,osteps,tlr,tns)

输入参数PR为R个输入元素的最大值和最小值的设定值，Rx2维矩阵；di为第i层的维数，默认[5,8]；tfcn为拓扑函数，默认为hextop；dfcn为距离函数，默认为linkdist；olr为分类阶段学习速率，默认为0.9；osteps为分类阶段的步长，默认为1000；tlr为调谐阶段的学习速率，默认为0.02；tns为调谐阶段的邻域距离，默认为1。输出参数net为生成的自组织特征映射神经网络。

1.1.4 selforgmap函数

利用数据本身的相似性和拓扑结构对数据进行聚类。

x=simplecluster_dataset;
plot(x(1,:),x(2,:),'mo');
net = selforgmap([8 8]);
net = train(net,x);
y = net(x);
classes = vec2ind(y);
figure;
hist(classes,64)

1.1.5 newlvq函数

newlvq函数用于创建学习向量量化LVQ网络，在新版中使用lvqnet代替。函数的调用格式如下：

net = newlvq(PR,S1,PC,LR,LF)

其中，输入参数PR为一个Rx2维输入矩阵，它决定了输入向量的最小值和最大值，R为输入向量的个数；S1表示隐含层神经元的数目；PC表示在第二层的权值中列所属类别的百分比；L表示学习速率，默认值为0.01；LF表示学习函数，默认值为learnlvq；输出参数为生陈大哥学习向量量化网络。

1.1.6 lvqnet函数

lvqnet(hiddenSize,lvqLR,lvqLF)

其中，参数hiddenSize是竞争层神经元个数，lvqLR为学习率，lvqLF为学习函数

[x,t]=iris_dataset;

net = lvqnet(10);

net.trainParam.epochs = 50;

net = train(net,x,t);

view(net)

y=net(x)

perf = perform(net,y,t)

classes = vec2ind(y);

1.2 学习函数

1.2.1 learnk函数

1.2.2 learnis函数

1.2.3 learnos函数

1.2.4 learnh函数

1.2.5 learnhd函数

1.2.6 learnsom函数

1.2.7 learnlv1函数

1.2.8 learnlv2函数

1.3 传递函数

A = softmax（N,FP）：N为SxQ，包含Q个长度为S的列向量，对每个列向量分别求最大值，返回同类型矩阵A，在每一列的最大值对应位置，A中的元素为1，其余元素为0，A中的每一列中有且只有一个元素等于1。

1.4 初始化函数

W=midpoint(S,PR):参数S为神经元的数目；PR为输入向量取值范围的矩阵，W为函数返回权值矩阵

1.5 结构函数

1.5.1 gridtop函数

该函数用于创建自组织映射网络中输出层的网络拓扑结构。函数调用格式为：

pos = gridtop(dim1,dim2,...,dimN)

1.5.2 hextop函数

该函数用于创建一个二维的六边形神经网络

1.5.3 randtop函数

该函数用于创建一个二维的随机层神经网络

1.5.4 tritop函数

该函数用于创建一个二维的三角拓扑结构

1.6 距离函数

1.6.1 boxdist函数

boxdist函数用于求得的距离是向量个分量绝对差的最大值

1.6.2 linkdist函数

linkdist函数为链接距离函数，在给定神经元位置后，该函数用于计算神经元之间的距离。

1.6.3 Manhattan函数

该函数用于计算曼哈顿距离，曼哈顿距离是指出租车几何距离，相当于向量之差的1-范数。计算公式为：

Manhatten函数的调用格式为：

z=mandist(W,P)

其中，参数W为RxQ矩阵，每列是一个输入的样本向量，共Q个严格吧你。P为SxQ权值矩阵。函数返回每个样本向量与相应输出神经元权值向量的曼哈顿距离。

1.7 距离绘图函数

1.7.1 plotsom函数

该函数用于自组织特征映射网络的权值图

1.7.2 plotvec函数

该函数用于显示LVQ网络，函数的调用格式为：

plotvec(X,C,M)

其中，输入参数X为一个列向量矩阵；C为标记颜色坐标的行向量；M为指定绘图时向量的标记符号，默认值为“+”。

1.8 归一化函数

[Y,PS]=mapminmax(X,YMIN,YMAX)

其中，函数将X中的值归一化到[-1,1]区间，X可以是矩阵或元胞数组。归一化的结果保存在Y中，PS保存了归一化信息，可以用来做数据的反归一化。

2 自组织竞争神经网络的应用

2.1 对应传播网络的应用

创建一个CPN网络，完成在已知一个人本星期应该完成的工作量和此人当时的思乡情绪，对此人星期日下午的活动安排提出建议。

工作量	思想情绪	活动安排	目标输出
没有0	低0	看画报	10000
有一些0.5	低0	看画报	10000
没有0	一般0.5	购物	01000
很多1	高1	散步	00100
有一些0.5	高1	吃饭	00010
很多1	一般0.5	工作	00001

clear all;
clc;
% 初始化正向权值w和反向权值v
w=rand(18,2)/2+0.5;
v=rand(5,18)/2+0.5;
% 输入向量p和目标向量t
p=[0 0;0.5 0;0 0.5;1 1;0.5 1;1 0.5];
t=[1 0 0 0 0;1 0 0 0 0;0 1 0 0 0;0 0 1 0 0;0 0 0 1 0;0 0 0 0 1];
t_out=t;
% 设定学习步数为1000
epoch=1000;
% 归一化输入向量p
for i=1:6
 if p(i,:)==[0 0];
        p(i,:)=p(i,:);
 else
        p(i,:)=p(i,:)/norm(p(i,:));
 end
end
% 开始训练
while epoch>0
 for j=1:6
%         归一化正向权值w
 for i = 1:18
        w(i,:)=w(i,:)/norm(w(i,:));
        s(i)=p(j,:)*w(i,:)';
 end
%     求输出为最大的神经元
         temp=max(s);
 for i= 1:18
 if temp==s(i)
                 count=i;
 end
%              将所有竞争层神经元的输出置为0
 for i=1:18
                 s(i)=0;
 end
%              将获胜神经元的输出置为1
             s(count)=1;
%              权值调整
             w(count,:)=w(count,:)+0.1*[p(j,:)-w(count,:)];
             w(count,:)=w(count,:)/norm(w(count,:));
             v(:,count)=v(:,count)+0.1*(t(j,:)'-t_out(j,:)');
% 计算网络输出
             t_out(j,:)=v(:,count)';
 end
         epoch=epoch-1;
 end
%     训练结束
end
t_out
% 网络回想，其输入模式为pc
pc=[0.5 1;1 1];
% 归一化
for i=1:2
 if pc(i,:)==[0 0]
        pc(i,:)=pc(i,:);
 else
        pc(i,:)=pc(i,:)/norm(pc(i,:));
 end
end
% 
% 网络输出
outc=[0 0 0 0 0;0 0 0 0 0];
% outc
for j=1:2
 for i=1:18
        sc(i)=pc(j,:)*w(j,:)';
 end
    tempc = max(sc);
 for i=1:18
 if tempc==sc(i)
            countp=i;
 end
        sc(i)=0;
 end
    sc(countp)=1;
    outc(j,:)=v(:,countp)';
end
outc
for j=1:2
 for i=1:18
        outc(j,:)=outc(j,:)/norm(outc(j,:));
 end
end
outc
2.2 学习向量量化网络的应用
p=[-3 -2 -2 0 0 0 0 2 2 3;0 1 -1 2 1 -1 -2 1 -1 0];
c=[1 1 1 2 2 2 2 1 1 1];
t=ind2vec(c);
i=1;
cla;
for i=1:10
 if c(i)==1
        plot(p(1,i),p(2,i),'b+')
        hold on
 else
        plot(p(1,i),p(2,i),'r*')
        hold on
 end
end

net = newlvq(minmax(p),4,[0.6 0.4],0.1);
hold on
w1=net.iw{1};
plot(w1(1,1),w1(1,2),'p');
% 设置网络训练参数
net.trainParam.epochs=150;
net.trainParam.show=Inf;
net=train(net,p,t);
w1=net.iw{1};
w2=vec2ind(net.LW{2});
i =1;
cla;
for i=1:10
 if c(i)==1
        plot(p(1,i),p(2,i),'p')
        hold on
 else
        plot(p(1,i),p(2,i),'o')
        hold on
 end
end
j=1;
for j=1:4
 if w2(j)==1
        plot(w1(j,1),w1(j,2),'p','markersize',15);
        hold on;
 else
        plot(w1(j,1),w1(j,2),'o','markersize',15);
        hold on;
 end
end

训练后的网络已经基本可以将数据分为两类

2.3 自组织映射网络的应用

使用SOM神经网络诊断柴油机故障步骤如下：

（1）选取标准故障样本；

（2）对每一种标准故障样本进行学习，学习结束后，对具有最大输出的神经元标以该故障的记号；

（3）将待检样本输入到SOM神经网络中；

（4）如果输出神经元所在输出层的位置与某标准故障样本位置相同，说明待检样本发生了相应的故障；如果输出神经元在输出层的位置介于很多标准故障之间，说明这几种标准故障都有可能发生，且各故障的称嘀咕由该位置与相应标准样本位置的欧氏距离确定。

故障原因	P1	P2	p3	p4	p5	p6	p7	p8
T1	0.9325	1	1	-0.4635	0.3895	1	1	1
T2	-0.4571	-0.2854	-0.9024	-0.9121	-0.0841	1	-0.2871	0.5647
T3	0.5134	0.9413	0.9711	-0.4187	0.2855	0.8546	0.9478	0.9512
T4	0.1545	0.1564	-0.5	-0.6571	-0.3333	-0.6667	-0.3333	-0.5
T5	0.1765	0.7648	0.4259	-0.6472	-0.0563	0.1726	0.5151	0.4212
T6	-0.6744	-0.4541	-0.8454	1	-0.8614	-0.6714	-0.6279	-0.6785
T7	0.4647	0.871	0.0712	-0.7845	-0.2871	0.8915	0.6553	0.6152
T8	0.6818	1	-0.625	-0.8426	-0.6215	-0.1574	1	0.7782

clear all;
p=[0.9325   1   1   -0.4635 0.3895  1   1   1;...
-0.4571 -0.2854 -0.9024 -0.9121 -0.0841 1   -0.2871 0.5647;...
0.5134  0.9413  0.9711  -0.4187 0.2855  0.8546  0.9478  0.9512;...
0.1545  0.1564  -0.5    -0.6571 -0.3333 -0.6667 -0.3333 -0.5;...
0.1765  0.7648  0.4259  -0.6472 -0.0563 0.1726  0.5151  0.4212;...
-0.6744 -0.4541 -0.8454 1   -0.8614 -0.6714 -0.6279 -0.6785;...
0.4647  0.871   0.0712  -0.7845 -0.2871 0.8915  0.6553  0.6152;...
0.6818  1   -0.625  -0.8426 -0.6215 -0.1574 1   0.7782];
net=newsom(minmax(p),[6 6]);
plotsom(net.layers{1}.positions);
% 7次训练
a=[10 30 50 100 200 500 1000];
% 随机初始化一个7*8向量
yc=rands(7,8);
% 训练次数为10次
net.trainParam.epochs=a(1);
% 训练网络和查看分类
net=train(net,p);
y=sim(net,p);
yc(1,:)=vec2ind(y);
plotsom(net.iw{1,1},net.layers{1}.distances)
% 训练次数为30次
net.trainParam.epochs=a(2);
% 训练网络和查看分类
net=train(net,p);
y=sim(net,p);
yc(2,:)=vec2ind(y);
plotsom(net.iw{1,1},net.layers{1}.distances)
% 训练次数为50次
net.trainParam.epochs=a(3);
% 训练网络和查看分类
net=train(net,p);
y=sim(net,p);
yc(3,:)=vec2ind(y);
plotsom(net.iw{1,1},net.layers{1}.distances)
% 训练次数为100次
net.trainParam.epochs=a(4);
% 训练网络和查看分类
net=train(net,p);
y=sim(net,p);
yc(4,:)=vec2ind(y);
plotsom(net.iw{1,1},net.layers{1}.distances)
% 训练次数为200次
net.trainParam.epochs=a(5);
% 训练网络和查看分类
net=train(net,p);
y=sim(net,p);
yc(5,:)=vec2ind(y);
plotsom(net.iw{1,1},net.layers{1}.distances)
% 训练次数为500次
net.trainParam.epochs=a(6);
% 训练网络和查看分类
net=train(net,p);
y=sim(net,p);
yc(6,:)=vec2ind(y);
plotsom(net.iw{1,1},net.layers{1}.distances)
% 训练次数为1000次
net.trainParam.epochs=a(7);
% 训练网络和查看分类
net=train(net,p);
y=sim(net,p);
yc(7,:)=vec2ind(y);
plotsom(net.iw{1,1},net.layers{1}.distances)
% 测试样本输入
t=[0.9512 1.0000 0.9458 -0.4218 0.9511 0.9645 0.8941]';
% 用sim来做网络仿真
r=sim(net,t);
% 变换函数，将单值向量转换为下标向量
rr=vec2ind(r)
% 查看网络拓扑
plotsomtop(net)