Изучение векторного квантования

Сеть LVQ обучена, чтобы классифицировать входные векторы согласно данным целям.

Позвольте X быть 10 входными векторами в качестве примера с 2 элементами и C быть классами эти векторы падение в. Эти классы могут быть преобразованы в векторы, которые будут использоваться в качестве целей, 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 точки данных построены. Красный = класс 1, Голубой = класс 2. Сеть LVQ 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. Сеть затем сконфигурирована для входных параметров X и предназначается для T. (Настройка обычно ненужный шаг, когда это сделано автоматически, ОБУЧАЕТСЯ.)

net = lvqnet(4,0.1);
net = configure(net,x,t);

Конкурентоспособные векторы веса нейрона построены можно 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 замените номер по умолчанию эпох, и затем обучите сеть. Когда это будет закончено, повторно постройте входные векторы '+' и векторы веса конкурентоспособных нейронов '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 в качестве классификатора, где каждый нейрон соответствует различной категории. Представьте входной вектор [0.2; 1]. Красный = класс 1, Голубой = класс 2.

x1 = [0.2; 1];
y1 = vec2ind(net(x1))

y1 = 2