jingzhengceng.m

利用神经网络竞争层给数据分类

% 利用竞争层网络对样本数据进行分类
%本例中待分类的样本数据由nngenc函数随机产生，即P=nngenc(range,class,num,std);   其中，参数class表示样本数据的类别个数。然后利用newc函数
%建立竞争层网络：net=newc(range,class,klr,clr);       其中，class是数据类别个数，也是竞争层神经元个数；klr和clr 分别是网络的权值学习速率
%和阈值学习速率。竞争层网络在训练时不需要目标输出，网络通过对数据分布特性的学习，自动地将数据划分为指定类别数。
%网络训练语句如下（其中，默认的训练函数为trainr）：net=train(net,P);
%在对训练好的网络进行仿真时，网络的输出为单值矢量组，为了观察方便，一般要将单值矢量组转化为下标矩阵的形式：
% Y=sim(net,P);  Y1=vec2ind(Y);
%本例完整的MATLAB程序如下：


close all
clf reset
figure(gcf);
echo on
clc
% NEWC---创建竞争层网络
% TRAIN---对竞争层网络进行训练
% SIM---对竞争层网络进行仿真
pause
clc
% 产生样本数据P，P中包括三类共30个二维矢量
range=[-1 1;-1 1];   % 样本数据取值范围
class=3;             % 样本数据类别数
num=10;              % 每类样本数据的个数
std=0.1;             % 每类样本数据的方差
P=nngenc(range,class,num,std);
pause
clc
% 画第一幅图：样本数据分布图
plot(P(1,:),P(2,:),'*','markersize',5);
axis([-1.5 1.5 -1.5 1.5]);
pause
clc
% 建立竞争层网络（由于样本数据分为三类，因此竞争层由三个神经元构成）
klr=0.1;     % 权值学习速率
clr=0.01;    % 阈值学习速率
net=newc(range,class,klr,clr);
pause
clc
% 对网络进行训练
net.trainParam.epochs=5;  %训练过程每五步显示一次
net=train(net,P); 
pause
clc
%在第一幅图上画竞争层神经元权值，也就是每类样本的聚类中心
w=net.IW{1};
hold on;
plot(w(:,1),w(:,2),'ob');
title('Input data & Weights');
pause
clc
%利用原始样本数据对网络进行仿真
Y=sim(net,P);
Y1=vec2ind(Y)
pause
clc
% 画第二幅图：用不同符号标注数据分类结果
figure;
for i=1:30
    if Y1(i)==1
        plot(P(1,i),P(2,i),'*','markersize',5);
    elseif Y1(i)==2
        plot(P(1,i),P(2,i),'+','markersize',5);
    else
        plot(P(1,i),P(2,i),'x','markersize',5);
    end
    hold on;
end

    axis([-1.5 1.5 -1.5 1.5]);
    title('class 1:*  class 2:+   class 3:x');
pause
clc
%利用一组新的输入数据检验网络性能
p=[-0.4 -0.4;-0.1 0.9];
y=sim(net,p);
y1=vec2ind(y)
echo off
% 程序运行结果如图所示。在图中，待分类的样本数据用星号标注，网络训练完毕后的竞争层神经元
%权值由圆圈标注。在图中，已经划分好的三类数据分别用星号、加号和“x”符号标注。
% (a) 待分类样本的数据和竞争层神经元权值           (b) 网络分类结果