Сеть LVQ обучена классифицировать входные векторы согласно заданным целям.
Позвольте X быть 10 2-элементным примером входных векторов и C быть классами, в которые эти векторы попадают. Эти классы могут быть преобразованы в векторы, которые будут использоваться в качестве целевых объектов, T, с IND2VEC.
x = [-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);
Здесь нанесены точки данных. Красный = класс 1, голубой = класс 2. LVQ-сеть представляет кластеры векторов со скрытыми нейронами и группирует кластеры с выходными нейронами, чтобы сформировать желаемые классы.
colormap(hsv); plotvec(x,c) title('Input Vectors'); xlabel('x(1)'); ylabel('x(2)');
Здесь LVQNET создает слой LVQ с четырьмя скрытыми нейронами и скоростью обучения 0,1. Затем сеть конфигурируется для входов X и целевых T. (Строение обычно является ненужным шагом, как это делается автоматически TRAIN.)
net = lvqnet(4,0.1); net = configure(net,x,t);
Конкурентные векторы веса нейронов строятся следующим образом.
hold on w1 = net.IW{1}; plot(w1(1,1),w1(1,2),'ow') title('Input/Weight Vectors'); xlabel('x(1), w(1)'); ylabel('x(2), w(2)');
Чтобы обучить сеть, сначала переопределите количество эпох по умолчанию, а затем обучите сеть. Когда это закончено, ретранслируйте входные векторы '+' и конкурентоспособные нейроны 'weight векторы' o '. Красный = класс 1, голубой = класс 2.
net.trainParam.epochs=150; net=train(net,x,t); cla; plotvec(x,c); hold on; plotvec(net.IW{1}',vec2ind(net.LW{2}),'o');
Теперь используйте сеть LVQ как классификатор, где каждый нейрон соответствует другой категории. Представьте вектор входа [0,2; 1]. Красный = класс 1, голубой = класс 2.
x1 = [0.2; 1]; y1 = vec2ind(net(x1))
y1 = 2