Обработайте самоорганизующуюся функцию изучения веса карты в пакетном режиме
[dW,LS] = learnsomb(W,P,Z,N,A,T,E,gW,gA,D,LP,LS)
info = learnsomb('code')
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 |
|
P |
|
Z |
|
N |
|
A |
|
T |
|
E |
|
gW |
|
gA |
|
D |
|
LP | Изучая параметры, ни один, |
LS | При изучении состояния, первоначально должен быть = |
и возвращает следующее:
dW |
|
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(' возвращает полезную информацию для каждого code')code символьный вектор:
'pnames' | Возвращает имена изучения параметров. |
'pdefaults' | Возвращает параметры изучения значения по умолчанию. |
'needg' | Возвращает |
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)
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).
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.
adapt | selforgmap | train