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 пакетная самоорганизующаяся функция изучения веса карты.

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

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

и возвращает следующее:

`dW`	`S`- `R` вес (или смещение) изменяет матрицу
`LS`	Новое состояние изучения

Изучение происходит согласно learnsombизучение 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 code символьный вектор:

`'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, выход A, и матрица 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 нуждаются 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 к 'trainr'. (NET.trainParam автоматически становится trainrпараметры по умолчанию.)
Установите NET.adaptFcn к 'trains'. (NET.adaptParam автоматически становится trainsпараметры по умолчанию.)
Установите каждый NET.inputWeights{i,j}.learnFcn к 'learnsomb'.
Установите каждый NET.layerWeights{i,j}.learnFcn к 'learnsomb'. (Каждый вес, изучающий свойство параметра, автоматически установлен в learnsombпараметры 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 выходом 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