learnsomb

Обработайте самоорганизующуюся функцию изучения веса карты в пакетном режиме

Синтаксис

[dW,LS] = learnsomb(W,P,Z,N,A,T,E,gW,gA,D,LP,LS) info = learnsomb('code')

Описание

learnsomb является пакетной самоорганизующейся функцией изучения веса карты.

[dW,LS] = learnsomb(W,P,Z,N,A,T,E,gW,gA,D,LP,LS) берет несколько входных параметров:

`W`	`S-` матрица (или `S`-by-`1` смещают вектор),
`P`	`R`-by-`Q` входные векторы (или `ones(1,Q)`)
`Z`	`S`-by-`Q` взвешенные входные векторы
`N`	`S`-by-`Q` сетевые входные векторы
`A`	`S`-by-`Q` выходные векторы
`T`	`S`-by-`Q` слой предназначается для векторов
`E`	`S`-by-`Q` вектора ошибок слоя
`gW`	`S`-by-`R` градиент относительно производительности
`gA`	`S`-by-`Q` выходной градиент относительно производительности
`D`	`S`-by-`S` расстояния нейрона
`LP`	Изучая параметры, ни один, `LP = []`
`LS`	При изучении состояния, первоначально должен быть = `[]`

и возвращает следующее:

`dW`	`S-` (или смещение) изменяют матрицу
`LS`	Новое состояние изучения

Изучение происходит согласно изучению learnsomb параметра, показанного здесь с его значением по умолчанию:

`LP.init_neighborhood`	3	Начальный размер окружения
`LP.steps`	100	Упорядоченное расположение шагов фазы

info = learnsomb('code') возвращает полезную информацию для каждого вектора символов code:

`'pnames'`	Возвращает имена изучения параметров.
`'pdefaults'`	Возвращает параметры изучения значения по умолчанию.
`'needg'`	Возвращает `1`, если эта функция использует `gW` или `gA`.

Примеры

Этот пример задает случайный вход P, вывод A и матрицу веса W для слоя с входом с 2 элементами и 6 нейронами. Этот пример также вычисляет положения и расстояния для нейронов, которые появляются в 2 3 шестиугольном шаблоне.

p = rand(2,1);
a = rand(6,1);
w = rand(6,2);
pos = hextop(2,3);
d = linkdist(pos);
lp = learnsomb('pdefaults');

Поскольку learnsom только нужны эти значения, чтобы вычислить изменение веса (см. Алгоритм).

ls = [];
[dW,ls] = learnsomb(w,p,[],[],a,[],[],[],[],d,lp,ls)

Сетевое использование

Можно создать стандартную сеть, которая использует learnsomb с selforgmap. Подготовить веса слоя i пользовательской сети, чтобы учиться с learnsomb:

Установите NET.trainFcn на 'trainr'. (NET.trainParam автоматически становится параметрами trainr по умолчанию.)
Установите NET.adaptFcn на 'trains'. (NET.adaptParam автоматически становится параметрами trains по умолчанию.)
Установите каждый NET.inputWeights{i,j}.learnFcn на 'learnsomb'.
Установите каждый NET.layerWeights{i,j}.learnFcn на 'learnsomb'. (Каждый вес, изучающий свойство параметра, автоматически установлен в параметры learnsomb по умолчанию.)

Обучать сеть (или позволять ему адаптироваться):

Установите NET.trainParam (или NET.adaptParam) свойства, как желаемый.
Вызовите train (или adapt).

Алгоритмы

learnsomb вычисляет изменения веса так, чтобы новый вектор веса каждого нейрона был взвешенным средним входных векторов, что нейрон и нейроны в его окружении ответили на с выводом 1.

Фаза упорядоченного расположения длится столько же шагов сколько LP.steps.

Во время этой фазы окружение постепенно уменьшается от максимального размера LP.init_neighborhood вниз к 1, где это остается с тех пор.

Смотрите также

adapt | selforgmap | train

Документация