人工神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)指導(dǎo)(共22頁(yè))

1、精選優(yōu)質(zhì)文檔-傾情為你奉上人工神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)指導(dǎo)北京工商大學(xué)信息工程學(xué)院 人工神經(jīng)網(wǎng)絡(luò)課程組編寫專心-專注-專業(yè)目錄第一部分 實(shí)驗(yàn)準(zhǔn)備第1章 NeuDesk軟件1.1NeuDesk軟件概述NeuDesk軟件是英國(guó)NCS公司推出的神經(jīng)網(wǎng)絡(luò)專用軟件，它的主要特點(diǎn)是輸入輸出變量都采用電子表格錄入的方式，非常直觀；網(wǎng)絡(luò)的設(shè)計(jì)中可以直觀地看到神經(jīng)元的連接以及權(quán)值的正負(fù)，網(wǎng)絡(luò)經(jīng)過訓(xùn)練以后可以儲(chǔ)存其連接權(quán)值，便于應(yīng)用。1.2NeuDesk軟件使用說明1.2.1樣本的輸入打開NeuDesk軟件，出現(xiàn)以下界面，其中表Training Inputs是訓(xùn)練集的輸入；Training Outputs是訓(xùn)練集的教師信號(hào)。

2、輸入向量：按列輸入表中，一列代表一個(gè)變量輸出向量：按列輸入表中，一列代表一個(gè)變量歸一化處理：點(diǎn)擊spreadsheet-autoscale1.2.2網(wǎng)絡(luò)的設(shè)計(jì)打開Window，選擇進(jìn)入網(wǎng)絡(luò)的設(shè)計(jì)界面其中，在Edit下拉菜單中選擇Randomize為隨機(jī)初始化；Manual Design表示手動(dòng)改變隱層數(shù)和隱層節(jié)點(diǎn)數(shù)；Autodesign是根據(jù)輸入節(jié)點(diǎn)和輸出節(jié)點(diǎn)來進(jìn)行自動(dòng)設(shè)計(jì)。1.2.3網(wǎng)絡(luò)的訓(xùn)練進(jìn)入Control window,可以對(duì)網(wǎng)絡(luò)的訓(xùn)練參數(shù)進(jìn)行設(shè)計(jì)。其中，Training Methods（訓(xùn)練方法）：用于進(jìn)行算法和參數(shù)設(shè)計(jì)Terminate Training On（中止條件）：設(shè)置終止

3、條件如最大迭代次數(shù)或者是最小誤差Current Status（現(xiàn)在的狀態(tài)）：網(wǎng)絡(luò)當(dāng)前的迭代次數(shù)以及當(dāng)前的誤差Randomize為根據(jù)問題隨機(jī)初始化網(wǎng)絡(luò)的初始權(quán)值和隱層節(jié)點(diǎn)數(shù)Train:訓(xùn)練網(wǎng)絡(luò)Query:用訓(xùn)練好的網(wǎng)絡(luò)對(duì)新的輸入來預(yù)測(cè)輸出1.2.3網(wǎng)絡(luò)的預(yù)測(cè)用訓(xùn)練好的網(wǎng)絡(luò)對(duì)新的輸入進(jìn)行預(yù)測(cè)。（1）在Query Inputs鍵入輸入變量（2）點(diǎn)擊Control Window上的Query，利用訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行前向計(jì)算（3）可以在Query Outputs窗口得到相應(yīng)的輸出第2章 Matlab神經(jīng)網(wǎng)絡(luò)工具箱MATLAB名字由MATrix和 LABoratory 兩詞的前三個(gè)字母組合而成。20世紀(jì)七

4、十年代后期，時(shí)任美國(guó)新墨西哥大學(xué)計(jì)算機(jī)科學(xué)系主任的Cleve Moler教授出于減輕學(xué)生編程負(fù)擔(dān)的動(dòng)機(jī)，為學(xué)生設(shè)計(jì)了一組調(diào)用LINPACK和EISPACK庫(kù)程序的“通俗易用”的接口，此即用FORTRAN編寫的萌芽狀態(tài)的MATLAB。MATLAB以商品形式出現(xiàn)后，僅短短幾年，就以其良好的開放性和運(yùn)行的可靠性，使原先控制領(lǐng)域里的封閉式軟件包（如英國(guó)的UMIST，瑞典的LUND和SIMNON，德國(guó)的KEDDC）紛紛淘汰，而改以MATLAB為平臺(tái)加以重建。在時(shí)間進(jìn)入20世紀(jì)九十年代的時(shí)候，MATLAB已經(jīng)成為國(guó)際控制界公認(rèn)的標(biāo)準(zhǔn)計(jì)算軟件。在歐美大學(xué)里，諸如應(yīng)用代數(shù)、數(shù)理統(tǒng)計(jì)、自動(dòng)控制、數(shù)字信號(hào)處理、模

5、擬與數(shù)字通信、時(shí)間序列分析、動(dòng)態(tài)系統(tǒng)仿真等課程的教科書都把MATLAB作為內(nèi)容。這幾乎成了九十年代教科書與舊版書籍的區(qū)別性標(biāo)志。在那里，MATLAB是攻讀學(xué)位的大學(xué)生、碩士生、博士生必須掌握的基本工具。MATLAB的推出得到了各個(gè)領(lǐng)域的專家學(xué)者的廣泛關(guān)注，在此基礎(chǔ)上，專家們相繼推出了MATLAB工具箱，主要包括信號(hào)處理、控制系統(tǒng)、神經(jīng)網(wǎng)絡(luò)、圖像處理、魯棒控制、非線性系統(tǒng)控制設(shè)計(jì)、系統(tǒng)辨識(shí)、最優(yōu)化、模糊邏輯、小波等工具箱，這些工具箱給各個(gè)領(lǐng)域的研究和工程應(yīng)用提供了有力的工具。2.1 MATLAB 神經(jīng)網(wǎng)絡(luò)工具箱概述神經(jīng)網(wǎng)絡(luò)工具箱（NN Toolbox）幾乎完整地概括了現(xiàn)有的神經(jīng)網(wǎng)絡(luò)的新成果，所涉

6、及的網(wǎng)絡(luò)模型有：感知器、線性網(wǎng)絡(luò)、BP網(wǎng)絡(luò)、徑向基網(wǎng)絡(luò)、自組織網(wǎng)絡(luò)和反饋網(wǎng)絡(luò)等。對(duì)于各種網(wǎng)絡(luò)模型，神經(jīng)網(wǎng)絡(luò)工具箱集成了多種學(xué)習(xí)算法，為用戶提供了方便。2.1.1神經(jīng)網(wǎng)絡(luò)工具箱的幫助和安裝 神經(jīng)網(wǎng)絡(luò)工具箱包含在nnet目錄中，鍵入help nnet可得到幫助主題。工具箱包含了許多示例。每一個(gè)例子講述了一個(gè)問題，展示了用來解決問題的網(wǎng)絡(luò)并給出了最后的結(jié)果。顯示向?qū)б懻摰纳窠?jīng)網(wǎng)絡(luò)例子和應(yīng)用代碼可以通過鍵入help nndemos找到。安裝神經(jīng)網(wǎng)絡(luò)工具箱的指令可以在下列兩份MATLAB文檔中找到：the Installation Guide for MS-Windows and Macintosh

7、或者the Installation Guide for UNIX。2.2 MATLAB 神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)說明：下面列出的函數(shù)適用于MATLAB5.3 以上版本，為簡(jiǎn)明起見，只列出了函數(shù)名，如需要了解函數(shù)的詳細(xì)說明和使用，請(qǐng)參閱MATLAB 的幫助文檔。2.2.1 網(wǎng)絡(luò)創(chuàng)建函數(shù)newp 創(chuàng)建感知器網(wǎng)絡(luò)newlind 設(shè)計(jì)一線性層newlin 創(chuàng)建一線性層newff 創(chuàng)建一前饋BP 網(wǎng)絡(luò)newcf 創(chuàng)建一多層前饋BP 網(wǎng)絡(luò)newfftd 創(chuàng)建一前饋輸入延遲BP 網(wǎng)絡(luò)newrb 設(shè)計(jì)一徑向基網(wǎng)絡(luò)newrbe 設(shè)計(jì)一嚴(yán)格的徑向基網(wǎng)絡(luò)newgrnn 設(shè)計(jì)一廣義回歸神經(jīng)網(wǎng)絡(luò)newpnn 設(shè)計(jì)一概率神經(jīng)

8、網(wǎng)絡(luò)newc 創(chuàng)建一競(jìng)爭(zhēng)層newsom 創(chuàng)建一自組織特征映射newhop 創(chuàng)建一Hopfield 遞歸網(wǎng)絡(luò)newelm 創(chuàng)建一Elman 遞歸網(wǎng)絡(luò)2.2.2 網(wǎng)絡(luò)應(yīng)用函數(shù)sim 仿真一個(gè)神經(jīng)網(wǎng)絡(luò)init 初始化一個(gè)神經(jīng)網(wǎng)絡(luò)adapt 神經(jīng)網(wǎng)絡(luò)的自適應(yīng)化train 訓(xùn)練一個(gè)神經(jīng)網(wǎng)絡(luò)2.2.3 權(quán)函數(shù)dotprod 權(quán)函數(shù)的點(diǎn)積ddotprod 權(quán)函數(shù)點(diǎn)積的導(dǎo)數(shù)dist Euclidean 距離權(quán)函數(shù)normprod 規(guī)范點(diǎn)積權(quán)函數(shù)negdist Negative 距離權(quán)函數(shù)mandist Manhattan 距離權(quán)函數(shù)linkdist Link 距離權(quán)函數(shù)2.2.4 網(wǎng)絡(luò)輸入函數(shù)netsum 網(wǎng)

9、絡(luò)輸入函數(shù)的求和dnetsum 網(wǎng)絡(luò)輸入函數(shù)求和的導(dǎo)數(shù)2.2.5 轉(zhuǎn)移函數(shù)hardlim 硬限幅轉(zhuǎn)移函數(shù)hardlims 對(duì)稱硬限幅轉(zhuǎn)移函數(shù)purelin 線性轉(zhuǎn)移函數(shù)tansig 正切S 型轉(zhuǎn)移函數(shù)logsig 對(duì)數(shù)S 型轉(zhuǎn)移函數(shù)dpurelin 線性轉(zhuǎn)移函數(shù)的導(dǎo)數(shù)dtansig 正切S 型轉(zhuǎn)移函數(shù)的導(dǎo)數(shù)dlogsig 對(duì)數(shù)S 型轉(zhuǎn)移函數(shù)的導(dǎo)數(shù)compet 競(jìng)爭(zhēng)轉(zhuǎn)移函數(shù)radbas 徑向基轉(zhuǎn)移函數(shù)satlins 對(duì)稱飽和線性轉(zhuǎn)移函數(shù)2.2.6 初始化函數(shù)initlay 層與層之間的網(wǎng)絡(luò)初始化函數(shù)initwb 閾值與權(quán)值的初始化函數(shù)initzero 零權(quán)/閾值的初始化函數(shù)initnw Nguy

10、en_Widrow 層的初始化函數(shù)initcon Conscience 閾值的初始化函數(shù)midpoint 中點(diǎn)權(quán)值初始化函數(shù)2.2.7 性能分析函數(shù)mae 均值絕對(duì)誤差性能分析函數(shù)mse 均方差性能分析函數(shù)msereg 均方差w/reg 性能分析函數(shù)dmse 均方差性能分析函數(shù)的導(dǎo)數(shù)dmsereg 均方差w/reg 性能分析函數(shù)的導(dǎo)數(shù)2.2.8 學(xué)習(xí)函數(shù)learnp 感知器學(xué)習(xí)函數(shù)learnpn 標(biāo)準(zhǔn)感知器學(xué)習(xí)函數(shù)learnwh Widrow_Hoff 學(xué)習(xí)規(guī)則learngd BP 學(xué)習(xí)規(guī)則learngdm 帶動(dòng)量項(xiàng)的BP 學(xué)習(xí)規(guī)則learnk Kohonen 權(quán)學(xué)習(xí)函數(shù)learncon Co

11、nscience 閾值學(xué)習(xí)函數(shù)learnsom 自組織映射權(quán)學(xué)習(xí)函數(shù)2.2.9 自適應(yīng)函數(shù)adaptwb 網(wǎng)絡(luò)權(quán)與閾值的自適應(yīng)函數(shù)2.2.10 訓(xùn)練函數(shù)trainwb 網(wǎng)絡(luò)權(quán)與閾值的訓(xùn)練函數(shù)traingd 梯度下降的BP 算法訓(xùn)練函數(shù)traingdm 梯度下降w/動(dòng)量的BP 算法訓(xùn)練函數(shù)traingda 梯度下降w/自適應(yīng)lr 的BP 算法訓(xùn)練函數(shù)traingdx 梯度下降w/動(dòng)量和自適應(yīng)lr 的BP 算法訓(xùn)練函數(shù)trainlm Levenberg_Marquardt 的BP 算法訓(xùn)練函數(shù)trainwbl 每個(gè)訓(xùn)練周期用一個(gè)權(quán)值矢量或偏差矢量的訓(xùn)練函數(shù)2.2.11 分析函數(shù)maxlinlr 線

12、性學(xué)習(xí)層的最大學(xué)習(xí)率errsurf 誤差曲面2.2.12 繪圖函數(shù)plotes 繪制誤差曲面plotep 繪制權(quán)和閾值在誤差曲面上的位置plotsom 繪制自組織映射圖2.2.13 符號(hào)變換函數(shù)ind2vec 轉(zhuǎn)換下標(biāo)成為矢量vec2ind 轉(zhuǎn)換矢量成為下標(biāo)矢量2.2.14 拓?fù)浜瘮?shù)gridtop 網(wǎng)絡(luò)層拓?fù)浜瘮?shù)hextop 六角層拓?fù)浜瘮?shù)randtop 隨機(jī)層拓?fù)浜瘮?shù)2.3 MATLAB使用說明2.3.1MATLAB界面打開MATLAB，會(huì)出現(xiàn)如下操作界面：2.3.2在MATLAB環(huán)境下運(yùn)行程序在MATLAB環(huán)境下運(yùn)行程序可以采用如下方式：一是在命令窗口中直接鍵入命令行，缺點(diǎn)是無法進(jìn)行編輯；

13、另一個(gè)方式是將多個(gè)命令語(yǔ)句放入到m文件中，然后運(yùn)行m文件，優(yōu)點(diǎn)是利于編輯。（1）直接鍵入命令行（2）編輯成m文件，運(yùn)行m文件a建立一個(gè)新的m文件，操作過程如下圖所示：b編輯m文件的內(nèi)容，并運(yùn)行（Run）結(jié)果在命令窗口處顯示。2.3.3MATLAB中Demo的使用在MATLAB中有許多工具箱的演示例子，這些例子有助于學(xué)生更快的掌握工具箱函數(shù)的使用。（1）在命令窗口鍵入Demo，可以進(jìn)入MATLAB的例子演示中。鍵入demo可以運(yùn)行demo（演示程序）、可以閱讀demo的源程序、利用源程序建立自己的m文件（2）進(jìn)入工具箱（Toolboxes）點(diǎn)開Toolboxes（3）進(jìn)入神經(jīng)網(wǎng)絡(luò)工具箱（Neur

14、al Network Toolbox）演示神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)、仿真神經(jīng)網(wǎng)絡(luò)第二部分 實(shí)驗(yàn)第3章 BP網(wǎng)絡(luò)的設(shè)計(jì)實(shí)驗(yàn)3.1NeuDesk軟件環(huán)境下的BP網(wǎng)絡(luò)設(shè)計(jì)3.1.1試設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)解決異或問題一、實(shí)驗(yàn)?zāi)康恼莆誑euDesk軟件環(huán)境下的BP網(wǎng)絡(luò)設(shè)計(jì)，理解BP算法可以解決線性不可分問題的原因。二、實(shí)驗(yàn)內(nèi)容用BP網(wǎng)絡(luò)解決異或問題。三、實(shí)驗(yàn)步驟（1）把異或問題表達(dá)成神經(jīng)網(wǎng)絡(luò)可以處理的輸入輸出向量對(duì)。（2）根據(jù)問題的需要，利用NeuDesk軟件設(shè)計(jì)網(wǎng)絡(luò)的隱層節(jié)點(diǎn)數(shù)和訓(xùn)練參數(shù)，開始訓(xùn)練；（3）在預(yù)測(cè)輸入窗口鍵入輸入向量，考察預(yù)測(cè)輸出窗口的輸出是否正確，考察BP網(wǎng)絡(luò)是否可以解決異或問題。3.1.2試設(shè)計(jì)BP

15、神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)非線性函數(shù)映射。一、 實(shí)驗(yàn)?zāi)康恼莆誑euDesk軟件環(huán)境下的BP網(wǎng)絡(luò)設(shè)計(jì)，理解BP網(wǎng)絡(luò)的非線性映射能力。二、實(shí)驗(yàn)內(nèi)容用BP網(wǎng)絡(luò)解決函數(shù)非線性映射問題：函數(shù)y=x1/2 ; y=x2 ; y=sin(x)三、實(shí)驗(yàn)步驟（1）訓(xùn)練集可取0.1、0.3、0.5、0.7、0.9、1；測(cè)試集可?。?.2、0.4、0.6、0.8（2）根據(jù)問題的需要，利用NeuDesk軟件設(shè)計(jì)網(wǎng)絡(luò)的隱層節(jié)點(diǎn)數(shù)和訓(xùn)練參數(shù)，開始訓(xùn)練；（3）在預(yù)測(cè)輸入窗口鍵入輸入向量，考察預(yù)測(cè)輸出窗口的輸出與教師信號(hào)之間的偏差，考察BP網(wǎng)絡(luò)是否可以實(shí)現(xiàn)函數(shù)非線性映射。3.1.2試設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)分類功能。一、 實(shí)驗(yàn)?zāi)康恼莆誑euD

16、esk軟件環(huán)境下的BP網(wǎng)絡(luò)設(shè)計(jì)，理解BP網(wǎng)絡(luò)的分類功能。二、實(shí)驗(yàn)內(nèi)容用BP網(wǎng)絡(luò)解決分類問題：1類：X2=(0.8, 0.5, 0)T，X3=(0.9, 0.7, 0.3)T，X4=(1, 0.8, 0.5)T 2類：X4=(0, 0.2, 0.3)T，X5=(0.2, 0.1, 1.3)T，X6=(0.2, 0.7, 0.8)T用BP學(xué)習(xí)規(guī)則訓(xùn)練一分類器，算法中h=1，a=0。寫出訓(xùn)練后的權(quán)值和閾值。三、實(shí)驗(yàn)步驟（1）訓(xùn)練集如上6個(gè)樣本；（2）根據(jù)問題的需要，利用NeuDesk軟件設(shè)計(jì)網(wǎng)絡(luò)的隱層節(jié)點(diǎn)數(shù)和訓(xùn)練參數(shù)，開始訓(xùn)練；（3）在預(yù)測(cè)輸入窗口鍵入輸入向量，考察預(yù)測(cè)輸出窗口的輸出與教師信號(hào)之間的

17、偏差，考察BP網(wǎng)絡(luò)是否可以正確實(shí)現(xiàn)分類。實(shí)驗(yàn)3.2掌握NeuDesk軟件環(huán)境下的BP網(wǎng)絡(luò)應(yīng)用3.2.1基于BP算法的多層前饋網(wǎng)用于催化劑配方建模一、實(shí)驗(yàn)?zāi)康亩?、?shí)驗(yàn)內(nèi)容用BP網(wǎng)絡(luò)建立催化劑配方模型，即采用BP神經(jīng)網(wǎng)絡(luò)對(duì)脂肪醇催化劑配方的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行學(xué)習(xí)，以訓(xùn)練后的網(wǎng)絡(luò)作為數(shù)學(xué)模型映射配方與優(yōu)化指標(biāo)之間的復(fù)雜非線性關(guān)系。實(shí)驗(yàn)數(shù)據(jù)如下：表3.1 催化劑配方的神經(jīng)網(wǎng)絡(luò)模型與回歸方程模型輸出結(jié)果對(duì)比NoA/CuZn/CuB/CuC/CuMn/Cu1234567891011121314151617180.05000.06500.08000.09500.11000.12500.14000.1550.170

18、00.05000.06500.08000.0950.1100.1250.1400.1550.1700.1300.0700.1900.1100.0500.1700.0900.0300.1500.0700.1900.1300.0500.1700.1100.0300.1500.0900.0800.1200.0800.0600.0200.0000.1600.1200.1000.0600.0400.0000.1600.1400.1000.0800.0400.0200.1400.1600.0600.1600.0600.1400.0400.1400.0400.1200.0200.1200.0200.1000

19、.0000.1000.0000.0800.0400.0200.0000.0400.0200.0000.0400.0200.0000.0500.0300.0100.0500.0300.0100.0500.0300.01094.5088.0560.2593.0594.6596.0561.0070.4083.3084.5069.5094.5570.9587.2064.2086.1577.1596.0594.6288.0560.4393.1194.7295.9661.1370.3983.3285.2769.4594.6069.5187.1664.0886.1577.1796.0083.8392.438

20、2.0394.3185.7997.0865.3980.4470.2270.2280.7794.7592.88 78.6469.5982.4075.2387.0596.3075.5040.2197.3188.5595.5059.7237.5082.8590.9061.8097.6062.5491.0058.3075.6571.9094.6096.5675.9741.4396.2988.0696.6958.9041.8382.4890.4665.0395.7460.4089.1959.1261.4371.7294.62 95.98 76.50 44.87105.11 77.89105.43 54.

21、76 46.36 59.50 91.51 55.22 92.44 52.50 76.92 54.0229.9383.9494.61 97.80 86.5 96.25 99.30 95.20 99.50 67.35 52.25 99.20 95.90 88.20103.40 60.10103.60 58.90 86.50 91.80 98.0097.2486.6795.3699.3997.4999.5269.1051.3896.5397.8792.4197.9362.6399.3660.2278.0791.7499.12102.83 79.65 81.92103.08 87.12104.71 7

22、3.52 71.45 74.30 92.75 98.44101.65 68.12 92.22 72.50 79.28 94.23 90.35表中，下標(biāo)1表示實(shí)測(cè)結(jié)果,下標(biāo) 2表示神經(jīng)網(wǎng)絡(luò)輸出結(jié)果, 下標(biāo)表示回歸方程計(jì)算結(jié)果。三、實(shí)驗(yàn)步驟（1） 確定輸入變量和教師信號(hào)（2） 根據(jù)輸入向量和教師信號(hào)的維數(shù)確定如下的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。圖3.28催化劑配方的神經(jīng)網(wǎng)絡(luò)模型（3） 從18組數(shù)據(jù)中選擇16組數(shù)據(jù)用于訓(xùn)練，其余2組用于預(yù)測(cè)，考察網(wǎng)絡(luò)訓(xùn)練參數(shù)的選擇對(duì)網(wǎng)絡(luò)性能的影響。第4章 SOM網(wǎng)絡(luò)的設(shè)計(jì)實(shí)驗(yàn)4.1掌握MATLAB軟件環(huán)境下的SOM網(wǎng)絡(luò)設(shè)計(jì)4.1.1 輸出為一維線陣的SOM網(wǎng)絡(luò)對(duì)二維數(shù)據(jù)進(jìn)行聚類一、

23、實(shí)驗(yàn)?zāi)康恼莆蛰敵鰹橐痪S線陣的SOM網(wǎng)絡(luò)的設(shè)計(jì)二、 實(shí)驗(yàn)內(nèi)容產(chǎn)生100個(gè)（0，0.5pi）之間的角度，用其sin和cos值作為輸入向量，利用輸出為二維平面陣的SOM網(wǎng)絡(luò)對(duì)其進(jìn)行聚類。三、 參考程序angles = 0:0.5*pi/99:0.5*pi;P = sin(angles); cos(angles);plot(P(1,:),P(2,:),'+r')net = newsom(0 1;0 1,10);net.trainParam.epochs = 10;net = train(net,P);plotsom(net.iw1,1,net.layers1.distances)p =

24、 1;0;a = sim(net,p)四、 實(shí)驗(yàn)步驟（1）確定輸入模式；（2）確定網(wǎng)絡(luò)的結(jié)構(gòu)，設(shè)計(jì)參數(shù)；（3）編輯相應(yīng)的M文件實(shí)現(xiàn)SOM對(duì)數(shù)據(jù)進(jìn)行聚類，運(yùn)行M文件，在命令窗口察看結(jié)果。4.1.2輸出為二維平面陣的SOM網(wǎng)絡(luò)對(duì)二維數(shù)據(jù)進(jìn)行聚類一、實(shí)驗(yàn)?zāi)康恼莆蛰敵鰹槎S平面陣的SOM網(wǎng)絡(luò)的設(shè)計(jì)二、 實(shí)驗(yàn)內(nèi)容隨機(jī)產(chǎn)生（0，1）之間的1000個(gè)二維數(shù)據(jù)，利用輸出為二維平面陣的SOM網(wǎng)絡(luò)對(duì)其進(jìn)行聚類。三、 參考程序P = rands(2,1000);plot(P(1,:),P(2,:),'+r')net = newsom(0 1; 0 1,5 6);plotsom(net.iw1,1,n

25、et.layers1.distances)net.trainParam.epochs = 1;net = train(net,P);plotsom(net.iw1,1,net.layers1.distances)p = 0.5;0.3;a = sim(net,p)四、 實(shí)驗(yàn)步驟（1）確定輸入模式；（2）確定網(wǎng)絡(luò)的結(jié)構(gòu)，設(shè)計(jì)參數(shù)；（3）編輯相應(yīng)的M文件實(shí)現(xiàn)SOM對(duì)數(shù)據(jù)進(jìn)行聚類，運(yùn)行M文件，在命令窗口察看結(jié)果。實(shí)驗(yàn)4.2掌握MATLAB軟件環(huán)境下的SOM網(wǎng)絡(luò)應(yīng)用4.2.1利用SOM網(wǎng)絡(luò)對(duì)動(dòng)物屬性特征映射一、實(shí)驗(yàn)?zāi)康恼莆誗OM網(wǎng)絡(luò)的設(shè)計(jì)以及連續(xù)映射、數(shù)據(jù)壓縮的特征。二、實(shí)驗(yàn)內(nèi)容利用SOM網(wǎng)絡(luò)對(duì)動(dòng)物屬

26、性特征映射。1989年Kohonen給出一個(gè)SOM網(wǎng)的著名應(yīng)用實(shí)例，即把不同的動(dòng)物按其屬性特征映射到兩維輸出平面上，使屬性相似的動(dòng)物在SOM網(wǎng)輸出平面上的位置也相近。該例訓(xùn)練集種共有16種動(dòng)物，每種動(dòng)物用一個(gè)29維向量來表示，其中前16個(gè)分量構(gòu)成符號(hào)向量，對(duì)不同的動(dòng)物進(jìn)行“16取1”編碼；后13個(gè)分量構(gòu)成屬性向量，描述動(dòng)物的13種屬性，用1或0表示某動(dòng)物該屬性的有或無。表4.1中的各列給出16種動(dòng)物的屬性列向量。表4.1 16種動(dòng)物的屬性向量 動(dòng)物 屬性 鴿子母雞鴨鵝貓頭鷹隼鷹狐貍狗狼貓虎獅馬斑馬牛小中大2只腿4只腿毛蹄鬃毛羽毛獵跑飛泳10010000100101001000010000100

27、10000100011001000010011100100001101010010000110100101000011010010011000100001001100001000100110001100100011000100000101100011000010110001100001011110010000101111001000010111000000三、實(shí)驗(yàn)步驟（1） 準(zhǔn)備輸入模式；（2） 設(shè)計(jì)SOM網(wǎng)絡(luò)：SOM網(wǎng)的輸出平面上有10´10個(gè)神經(jīng)元（3） SOM網(wǎng)絡(luò)的訓(xùn)練：用16個(gè)動(dòng)物模式輪番輸入進(jìn)行訓(xùn)練，考察輸出平面上所示情況。四、注意事項(xiàng)（1）輸入：P為29×16的

28、矩陣，其中29維輸入向量，16為動(dòng)物的個(gè)數(shù)歸一化（2）輸出：10×10（3）網(wǎng)絡(luò)的設(shè)計(jì)：建立新的網(wǎng)絡(luò)：net = newsom(AA,10 10,'gridtop');'hextop'網(wǎng)絡(luò)訓(xùn)練參數(shù)設(shè)定：net.trainParam.epochs = 1000;網(wǎng)絡(luò)訓(xùn)練：net = train(net,P);（4）訓(xùn)練后的運(yùn)行：a = sim(net,P)由a的值可以得到SOM的哪個(gè)輸出節(jié)點(diǎn)對(duì)輸入有所響應(yīng)，即歸為哪一類（5）畫出輸出示意圖。（提示輸出a來確定獲勝節(jié)點(diǎn)的坐標(biāo)，從而進(jìn)行畫圖）4.2.2 SOM網(wǎng)用于字符排序一、實(shí)驗(yàn)?zāi)康恼莆誗OM網(wǎng)絡(luò)的設(shè)計(jì)以及保序映射、數(shù)據(jù)壓縮的特征。二、實(shí)驗(yàn)內(nèi)