本站原创文章，转载请说明来自《老饼讲解-BP神经网络》bp.bbbdata.com

本文展示如何用matlab工具箱训练一个SOM神经网络的DEMO

并讲解其中的代码含义和相关使用说明

01.SOM神经网络DEMO代码

本文说明

下面，我们先随机初始化一些样本点，
然后调用matlab的神经网络工具箱训练一个SOM神经网络
并借此DEMO讲解如何用matlab工具箱SOM神经网络的使用

SOM神经网络DEMO代码

% 本demo展示用matlab工具箱训练一个SOM神经网络% 生成用于聚类的数据rand('seed',70);% 随机种子，设定随机种子是为了每次的结果一样
dataC =[2.5,2.5;7.5,2.5;2.5,7.5;7.5,7.5]';% 生成四个样本中心
sn =80;% 样本个数
X =rand(2,sn)+dataC(:,mod(1:sn,4)+1);% 随机生成样本点% 调用工具箱训练一个SOM网络                        
net =selforgmap([35]);% 建立一个SOM神经网络
net =train(net,X);% 训练网络
W   = net.IW{1};% 网络的权重，也即各个聚类中心的位置
y   =net(X);% 用训练好的网络进行预测
classes =vec2ind(y);% 将预测结果由one-hot格式转为类别索引% 绘图plot(X(1,:),X(2,:),'*');% 原始样本
hold on 
plot(W(:,1),W(:,2),'or','MarkerFaceColor','g');% 网络训练好的聚类中心

运行结果

运行结果如下


绿色的隐神经元(聚类中心)，红色的是样本

02. matlab的SOM神经网络使用解说

本节讲解matlab工具箱如何训练一个SOM神经网络，及一些常用的问题

如何训练一个SOM神经网络

从上面的例子我们可以看到，
使用selforgmap函数就可以建立一个SOM神经网络，
然后用train函数对网络进行训练(需要传入训练的数据)，
最后把要预测的样本传入训练好的net中，就可以得到预测结果
如下
net = selforgmap([3 5]);
net = train(net,X);
y = net(X);
PASS:selforgmap中的[3 5]用于指定隐节点拓扑为3*5，即15个隐节点

✍️关于selforgmap的入参说明
selforgmap共有5个入参：
dimensions ：行向量，它定义了隐层神经元尺寸
例如[8 3]定义了2维(8*3)的隐层
coverSteps ：在该步数之后，领域距离<=1，即不再更新邻域神经元
initNeighbor ：初始的邻域阈值
topologyFcn ：隐层拓扑结构函数
distanceFcn ：拓扑距离计算函数
默认参数为：selforgmap([8 8],100,3,'hextop',linkdist')

常见问题

如何将one-hot形式的判别结果转为类别序号
net(X)得到分类结果的是one-hot形式，
即得到的结果是[0 ,0 ,1]^T[0,0,1]T这种形式
为了直接得到类别的序号3，而不是[0 ,0 ,1]^T[0,0,1]T，
可以通过vec2ind函数将[0 ,0 ,1]^T[0,0,1]T转为3

如何查看类别中心
SOM神经网络的权重W就是各个类别中心
用net.IW{1}就可以提取出来
如下，就是15个聚类中心的位置

相关的绘图函数

另外，工具箱还附带了相关的绘图函数
可以画出较好看的SOM相关图片
👉plotsomhits
👉plotsomnc
👉plotsomnd
👉plotsomplanes
👉plotsompos
👉plotsomtop
但基本都是只有数据是二维时才能使用/或才具有意义
因此老饼不再讲解，需要了解的自行在matlab里help一下

相关文章

《BP神经网络梯度推导》

《BP神经网络提取的数学表达式》

《一个BP的完整建模流程》