Квантование векторов обучения

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