我'd recommend utilizing SOM (Self-organizing map) for pattern recognition since it'真的很健壯 . 還有一個(gè)你可能感興趣的事情 . 但是，為了讓它在忽略偏移的同時(shí)學(xué)習(xí)波浪，你需要訓(xùn)練時(shí)間，但如果這不是問(wèn)題，請(qǐng)繼續(xù)閱讀 .

對(duì)于SOM，你必須將波形采樣到恒定大小的向量，讓我們說(shuō)：

sin x - > sin_vector =(a1，a2，a3，...，aN)

cos x - > cos_vector =(b1，b2，b3，...，bN)

通常用歐幾里德距離計(jì)算“SOM-向量”的相似性 . 這兩個(gè)矢量的歐幾里德距離很大，因?yàn)樗鼈兙哂胁煌钠?. 在你的情況下，他們應(yīng)該被認(rèn)為是相似的，即 . 距離要小 . 所以..如果你沒(méi)有從同一個(gè)起始點(diǎn)采樣所有類(lèi)似的波，它們將被分類(lèi)到不同的類(lèi)中 . 這可能是一個(gè)問(wèn)題 . 但！計(jì)算SOM中矢量的相似性，以便從 Map 中找到BMU(最佳匹配單位)并拉動(dòng)BMU及其neigborhood的向量，從而調(diào)整給定樣本的值 . 因此，您需要改變的是比較這些向量的方法以及將樣本的值拉向樣本的方式，以便兩者都是“抵消容忍的” .

緩慢但有效的解決方案是首先找到每個(gè)矢量的最佳偏移指數(shù) . 最佳偏移指數(shù)是對(duì)樣本產(chǎn)生歐幾里德距離的最小值 . 然后，用網(wǎng)絡(luò)的某個(gè)節(jié)點(diǎn)計(jì)算的最小距離將是BMU . 然后使用為之前每個(gè)節(jié)點(diǎn)計(jì)算的偏移指數(shù)，將BMU及其neigborhood的向量拉向給定的樣本 . 其他一切都應(yīng)該開(kāi)箱即用 .

這個(gè)解決方案相對(duì)較慢，但應(yīng)該很好 . 我建議徹底研究SOM的概念然后再讀這篇文章(和憤怒的評(píng)論):)

PLEASE comment 如果你知道一些比前一個(gè)好的數(shù)學(xué)解決方案！

總結(jié)

以上是生活随笔為你收集整理的神经网络模式识别matlab,基于matlab仿真的神经网络模式识别的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。