Документация

В случае необходимости откройтесь, Нейронная сеть Начинают графический интерфейс пользователя с этой команды:

nnstart

Нажмите приложение Clustering, чтобы открыть Приложение Кластеризации Нейронной сети. (Можно также использовать команду nctool.)

Нажать Далее. Окно Select Data появляется.

Нажмите Load Example Data Set. Окно Clustering Data Set Chooser появляется.

В этом окне выберите Simple Clusters и нажмите Import. Вы возвращаетесь к окну Select Data.

Нажмите Далее, чтобы продолжиться к окну Network Size, показанному в следующем рисунке.

Для кластеризации проблем самоорганизующаяся карта функции (SOM) является обычно используемой сетью, потому что после того, как сеть была обучена, существует много инструментов визуализации, которые могут использоваться, чтобы анализировать получившиеся кластеры. Эта сеть имеет один слой с нейронами, организованными в сетке. (Для получения дополнительной информации о SOM см. “Самоорганизующиеся Карты Функции”.) При создании сети вы задаете количества строк и столбцов в сетке. Здесь, номер строк и столбцов определяется к 10. Общее количество нейронов равняется 100. Можно изменить этот номер в другом запуске, если вы хотите.

Нажать Далее. Окно Train Network появляется.

Нажмите Train.

Обучение запускается для максимального количества эпох, которое является 200.

Для обучения SOM вектор веса, сопоставленный с каждым нейроном, перемещается, чтобы стать центром кластера входных векторов. Кроме того, нейроны, которые смежны друг с другом в топологии, должны также переместиться друг близко к другу во входное пространство, поэтому возможно визуализировать высоко-размерный входной пробел в двух размерностях сетевой топологии. Исследуйте некоторые инструменты визуализации для SOM. Под панелью Графиков нажмите SOM Sample Hits.

Топология по умолчанию SOM является шестиугольной. Этот рисунок показывает местоположения нейрона в топологии и указывает, сколько из обучающих данных сопоставлено с каждым из нейронов (кластерные центры). Топология 10 10 сетка, таким образом, существует 100 нейронов. Максимальное количество хитов, сопоставленных с любым нейроном, равняется 31. Таким образом в том кластере существует 31 входной вектор.

Можно также визуализировать SOM путем отображения плоскостей веса (также называемый плоскостями компонента). Нажмите SOM Weight Planes в Приложении Кластеризации Нейронной сети.

Этот рисунок показывает плоскость веса для каждого элемента входного вектора (два, в этом случае). Они - визуализация весов, которые соединяют каждый вход с каждым из нейронов. (Более темные цвета представляют большие веса.), Если шаблоны связи двух входных параметров были очень похожи, можно принять, что входные параметры высоко коррелируются. В этом случае введите 1, имеет связи, которые очень отличаются, чем те из входа 2.

В Приложении Кластеризации Нейронной сети нажмите Далее, чтобы оценить сеть.

В этой точке можно протестировать сеть против новых данных.

Если вы неудовлетворены эффективностью сети на исходных или новых данных, можно увеличить число нейронов, или возможно получить больший обучающий набор данных.

Когда вы удовлетворены производительностью сети, нажимаете Далее.

Используйте эту панель, чтобы сгенерировать функцию MATLAB или схему Simulink для симуляции вашей нейронной сети. Можно использовать сгенерированный код или схематически изобразить, чтобы лучше изучить, как нейронная сеть вычисляет выходные параметры из входных параметров, или разверните сеть с инструментами MATLAB Compiler и другим MATLAB и инструментами генерации кода Simulink.

Используйте кнопки на этом экране, чтобы сохранить ваши результаты.

Когда вы сгенерируете скрипты и сохраненный ваши результаты, нажмите Finish.

Скрипт принимает, что входные векторы уже загружаются в рабочую область. Чтобы показать операции командной строки, можно использовать различный набор данных, чем вы использовали для операции GUI. Используйте цветочный набор данных в качестве примера. Ирисовый набор данных состоит из 150 четырехэлементных входных векторов.

load iris_dataset
inputs = irisInputs;

Создайте сеть. В данном примере вы используете самоорганизующуюся карту (SOM). Эта сеть имеет один слой с нейронами, организованными в сетке. (Для получения дополнительной информации см. “Самоорганизующиеся Карты Функции”.) При создании сети с selforgmap, вы задаете количество строк и столбцов в сетке:

dimension1 = 10;
dimension2 = 10;
net = selforgmap([dimension1 dimension2]);

Обучите сеть. Сеть SOM использует пакетный алгоритм SOM по умолчанию для обучения.

[net,tr] = train(net,inputs);

Во время обучения учебное окно открывает и отображает прогресс обучения. Чтобы прервать обучение в любой точке, нажмите Stop Training.

Протестируйте сеть. После того, как сеть была обучена, можно использовать ее, чтобы вычислить сетевые выходные параметры.

outputs = net(inputs);

Просмотрите сетевой график.

view(net)

Для обучения SOM вектор веса, сопоставленный с каждым нейроном, перемещается, чтобы стать центром кластера входных векторов. Кроме того, нейроны, которые смежны друг с другом в топологии, должны также переместиться друг близко к другу во входное пространство, поэтому возможно визуализировать высоко-размерный входной пробел в двух размерностях сетевой топологии. Топология SOM по умолчанию является шестиугольной; чтобы просмотреть его, введите следующие команды.

figure, plotsomtop(net)

В этом рисунке каждый из шестиугольников представляет нейрон. Сетка 10 10, таким образом, существует в общей сложности 100 нейронов в этой сети. В каждом входном векторе существует четыре элемента, таким образом, входное пространство является четырехмерным. Векторы веса (кластерные центры) находятся в пределах этого пробела.

Поскольку этот SOM имеет двумерную топологию, можно визуализировать в двух измерениях отношения среди четырехмерных кластерных центров. Один инструмент визуализации для SOM является матрицей расстояния веса (также названный U-матрицей).

Чтобы просмотреть U-матрицу, нажмите SOM Neighbor Distances в учебном окне.

В этом рисунке синие шестиугольники представляют нейроны. Нейроны граничения подключения красных линий. Цвета в областях, содержащих красные линии, указывают на расстояния между нейронами. Более темные цвета представляют большие расстояния, и более легкие цвета представляют меньшие расстояния. Полоса темных сегментов пересекается от более низко-центральной области до верхней правой области. Сеть SOM, кажется, кластеризировала цветы в две отличных группы.