SOM.zip_SOM_som分类器_分类器_脑网络_自组织映射神经网络

%% Matlab神经网络43个案例分析 % 单层竞争神经网络的数据分类—患者癌症发病预测 % by 王小川(@王小川_matlab) % http://www.matlabsky.com % Email:[email protected] % http://weibo.com/hgsz2003 %% 清空环境变量 clc clear %% 录入输入数据 % 载入数据 load p; %转置后符合神经网络的输入格式 P=P'; %% 网络建立和训练 % newsom建立SOM网络。minmax（P）取输入的最大最小值。竞争层为6*6=36个神经元 net=newsom(minmax(P),[6 6]); plotsom(net.layers{1}.positions) % 5次训练的步数 a=[10 30 50 100 200 500 1000]; % 随机初始化一个1*10向量。 yc=rands(7,8); %% 进行训练 % 训练次数为10次 net.trainparam.epochs=a(1); % 训练网络和查看分类 net=train(net,P); y=sim(net,P); yc(1,:)=vec2ind(y); plotsom(net.IW{1,1},net.layers{1}.distances) % 训练次数为30次 net.trainparam.epochs=a(2); % 训练网络和查看分类 net=train(net,P); y=sim(net,P); yc(2,:)=vec2ind(y); plotsom(net.IW{1,1},net.layers{1}.distances) % 训练次数为50次 net.trainparam.epochs=a(3); % 训练网络和查看分类 net=train(net,P); y=sim(net,P); yc(3,:)=vec2ind(y); plotsom(net.IW{1,1},net.layers{1}.distances) % 训练次数为100次 net.trainparam.epochs=a(4); % 训练网络和查看分类 net=train(net,P); y=sim(net,P); yc(4,:)=vec2ind(y); plotsom(net.IW{1,1},net.layers{1}.distances) % 训练次数为200次 net.trainparam.epochs=a(5); % 训练网络和查看分类 net=train(net,P); y=sim(net,P); yc(5,:)=vec2ind(y); plotsom(net.IW{1,1},net.layers{1}.distances) % 训练次数为500次 net.trainparam.epochs=a(6); % 训练网络和查看分类 net=train(net,P); y=sim(net,P); yc(6,:)=vec2ind(y); plotsom(net.IW{1,1},net.layers{1}.distances) % 训练次数为1000次 net.trainparam.epochs=a(7); % 训练网络和查看分类 net=train(net,P); y=sim(net,P); yc(7,:)=vec2ind(y); plotsom(net.IW{1,1},net.layers{1}.distances) yc %% 网络作分类的预测 % 测试样本输入 t=[0.9512 1.0000 0.9458 -0.4215 0.4218 0.9511 0.9645 0.8941]'; % sim( )来做网络仿真 r=sim(net,t); % 变换函数 将单值向量转变成下标向量。 rr=vec2ind(r) %% 网络神经元分布情况 % 查看网络拓扑学结构 plotsomtop(net) % 查看临近神经元直接的距离情况 plotsomnd(net) % 查看每个神经元的分类情况 plotsomhits(net,P)