1、可以調用MATLAB工具箱里的函數創建競爭性神經網絡： ?主要進行分類：

newc(p,s,KLR,CLR) ? --------------------------------------p表示輸入的范圍，

s-------------------------------表示神經元的個數 ? ? ? ? ? ? ? ?KLR表示Kohonen學習速率，-------------------------------CLR表示Conscience的學習速率

<span style="font-size:18px;">p=[0.1 0.8 0.1 0.9;0.2 0.9 0.1 0.8];net=newc([0 1;0 1],2); net.iw{1,1} net.b{1}</span>
該網絡的訓練：

<span style="font-size:18px;">p = [.1 .8 .1 .9; .2 .9 .1 .8]net = newc([0 1; 0 1],2);wts = net.IW{1,1}biases = net.b{1}net.trainFcnnet.trainParam.epochs = 500; net = train(net,p);a = sim(net,p) ac = vec2ind(a)</span>
2、自組織特征映射類型的神經網絡

net=newsom(p,[d1 d2 .....],tfcn,dfcn,steps,in)

p表示輸入向量，di表示第i層大小，，默認[5 8], tfcn表示網絡的拓撲結構，默認的是hextop， ? dfcn表示網絡的距離函數，默認的是linkdist

step表示調整階段的鄰域變為1的步驟，默認100， in表示初始網絡的大小，默認3

SOFM網絡的建立：

<span style="font-size:18px;">net = newsom([0 2; 0 1],[2 3]);P = [.1 .3 1.2 1.1 1.8 1.7 .1 .3 1.2 1.1 1.8 1.7;... 0.2 0.1 0.3 0.1 0.3 0.2 1.8 1.8 1.9 1.9 1.7 1.8]plot(P(1,:),P(2,:),'o','markersize',8) hold on plotsom(net.iw{1,1},net.layers{1}.distances) hold offnet.iw{1,1}</span> 網絡的訓練：

<span style="font-size:18px;">net = newsom([0 2; 0 1],[2 3]);P = [.1 .3 1.2 1.1 1.8 1.7 .1 .3 1.2 1.1 1.8 1.7;... 0.2 0.1 0.3 0.1 0.3 0.2 1.8 1.8 1.9 1.9 1.7 1.8]plot(P(1,:),P(2,:),'o','markersize',8) hold on plotsom(net.iw{1,1},net.layers{1}.distances) hold offnet.iw{1,1}net.trainParam.epochs = 1000; net = train(net,P);plotsom(net.iw{1,1},net.layers{1}.distances)</span>

LVQ神經網絡 ? ? ? ? ??

主要用于模式分類：

netnewlvq(pr,sl,pc,ir,if)

pr表示R*2的矩陣，代表輸入向量元素的最大值和最小值

s1表示隱含層的神經元數目；

pc為二元向量，表示典型的類別權重百分比；

ir表示學習速度

if學習函數

<span style="font-size:18px;">P = [-3 -2 -2 0 0 0 0 2 2 3; 0 1 -1 2 1 -1 -2 1 -1 0], Tc = [1 1 1 2 2 2 2 1 1 1],plotvec(P,Tc,'*'),T = ind2vec(Tc);%稀疏矩陣targets = full(T) %對稀疏矩陣進行填充net = newlvq(P,4,[.6 .4]); %表示第二層的權值重60的對應著targets第一行的元素1，40對應著第二行元素1net.IW{1,1}net.LW{2,1}Y = sim(net,P); Yc = vec2ind(Y) </span>
競爭性網絡的一個分類：

<span style="font-size:18px;">X = [0 1; 0 1]; % 定義輸入類別范圍 clusters = 8; % 類別數目 points = 10; % 每一類中的樣本數 std_dev = 0.05; % 每一類的標準差 P = nngenc(X,clusters,points,std_dev); %生成輸入樣本向量系列plot(P(1,:),P(2,:),'+r'); title('Input Vectors'); xlabel('p(1)'); ylabel('p(2)');net = newc([0 1;0 1],8,.1); w = net.IW{1}; plot(P(1,:),P(2,:),'+r'); hold on; circles = plot(w(:,1),w(:,2),'ob');net.trainParam.epochs = 7; net = train(net,P); w = net.IW{1}; delete(circles); plot(w(:,1),w(:,2),'ob');p = [0; 0.2]; a = sim(net,p) </span>
自組織特征映射網絡的實驗：
<span style="font-size:18px;">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.iw{1,1},net.layers{1}.distances)p = [1;0]; a = sim(net,p) </span>
LVQ神經網絡的運用：分類：

<span style="font-size:18px;">P = [-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);cla for i=1:10 if(C(i)==1) plot(P(1,i),P(2,i),'+') hold on; else plot(P(1,i),P(2,i),'o') hold on; end endnet = newlvq(minmax(P),4,[.6 .4],0.1);hold on W1 = net.IW{1}; plot(W1(1,1),W1(1,2),'*') title('Input/Weight Vectors'); xlabel('P(1), W(1)'); ylabel('P(2), W(3)');net.trainParam.epochs=150; net=train(net,P,T);W1 = net.IW{1}; W2 = vec2ind(net.IW{1});cla; for i=1:10 if(C(i)==1) plot(P(1,i),P(2,i),'+') hold on; else plot(P(1,i),P(2,i),'o') hold on; end end for i=1:4 if(W2(i)==1) plot(W1(i, 1),W1(i, 2),'*') hold on; else plot(W1(i, 1),W1(i, 2),'.') hold on; end endp = [0.2; 1]; a = vec2ind(sim(net,p)), </span>

總結

以上是生活随笔為你收集整理的自组织神经网络的实现的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。