Пример решения типовой задачи. Пусть заданы 28 случайных векторов, изображённых на графике крестами (рис

Пусть заданы 28 случайных векторов, изображённых на графике крестами (рис. 10). Оцифровав данный график, можно получить массив входных данных (табл. 1).

Рис. 10. Распределение входных векторов

Таблица 1

Массив входных данных

P(1,:)	3.0	-0.1	4.3	4.6	8.5	1.8	8.3	2.5	0.2	4.6
P(2,:)	1.0	3.7	4.4	2.3	2.7	3.3	-0.1	1.2	3.6	4.7
P(1,:)	4.5	8.5	2.2	8.2	2.7	0.2	4.4	4.6	8.3	2.0
P(2,:)	2.3	2.9	3.2	0.1	0.8	4.0	4.5	2.2	2.4	3.3
P(1,:)	8.5	2.7	0.1	4.3	4.7	8.5	2.1	8.3
P(2,:)	0.0	0.9	4.0	4.4	1.9	2.5	3.5	-0.3

Следующий алгоритм демонстрирует процедуру обучения самоорганизующейся нейронной сети Кохонена.

plot(P(1,:), P(2,:), '+m');

title('Input vectors');

xlabel('P(1,:)');

ylabel('P(2,:)');

hold on;

nclusters = 7;

nvectors = 4;

a1 = -10;

a2 = +10;

b1 = -5;

b2 = +5;

net = newc([a1 a2; b1 b2], nclusters, 0.1, 0.0005);

wo = net.IW{1};

bo = net.b{1};

co = exp(1)./bo;

net.trainParam.epochs=49;

net.trainParam.show=7;

net = train(net,P);

w = net.IW{1};

bn = net.b{1};

cn = exp(1)./bn;

plot(w(:,1),w(:,2),'kp');

На рис. 11 представлены исходные данные (кресты) и полученные центры кластеризации (звёзды).

Рис. 11. Распределение входных данных (кресты) и положение центров кластеризации (звёзды)

1.4. Отчёт о выполнении работы

Отчёт о выполнении лабораторной работы №3 должен быть выполнен на листах формата А4 и содержать следующие результаты:

1. Исходные данные (рис. 10);

2. Текст программы с подробными комментариями;

3. Результаты моделирования (рис. 11);

4. Краткое описание расположения центров кластеров;

5. Список исходных точек с указанием принадлежности к определенному кластеру;

6. Контрольный пример.

Дата добавления: 2015-06-04