实验3智能聚类分析.docVIP

实验3智能聚类分析 实验目的 1. 了解人工智能机器学习的基本原理和方法。 2. 掌握自组织特征映射神经网络的学习方法和聚类分析的应用。 实验原理 学习是人工智能获取知识的基本手段。一个学习过程就是将专家提供的学习实例或信息转换成能被学习系统理解并应用的形式存储在系统中。本实验是基于自组织特征映射神经网络的学习方法进行学习并实现智能分类的。 自组织特征映射神经网络是一种无监督学习的聚类分析方法。利用神经网络的输入模式对外界具有不同的响应特征，将其以拓扑有序的方式自动映射到不同的区域空间。在学习过程中，只需向网络提供一些学习样本，无须提供理想的输出，网络根据输入样本利用竞争算法进行自组织训练，并将其映射到相应的模式类中。 自组织映射网络模型包含输入输出两层。在输入层中有N个输入节点，其中任一输入节点用j表示。输入层接受输入向量X=[x1,x2,...xN]T ，输入节点通过权值wij和输出层的M个神经元相连，M个神经元分布在二维的网格上，既自组织映射的输出空间，其结构见图1。其中，输入为： Ui = ， 输出为：Vi=f(Ui) , f为神经元的激励函数。 图1 具有二维网格的自组织映射网络模型 实验内容 用自组织特征映射神经网络对10个样本实现聚类映射。 实验步骤 1、自组织特征映射神经网络样本设计 从资料中得到某地区10个土壤样本，每个样本用7个理化指标表示其性状，数据见表1，确定的网络输入为7个输入节点，10个样本。 表1 样本数据 序号 土壤类型 全氧 全磷 有机质 pH 代换量 耕层厚 密度 1 薄层白浆黑土 0.270 0.142 6.46 5.5 35.8 21 1.03 2 厚层黑土 0.171 0.115 3.46 6.3 33.0 60 0.78 3 薄层黑土 0.114 0.101 2.43 6.4 26.5 25 1.13 4 厚层黑土 0.173 0.123 3.30 5.8 28.9 65 1.09 5 薄层黑土 0.145 0.131 3.28 6.0 28.5 25 1.03 6 厚层草甸黑土 0.173 0.140 3.45 5.8 33.4 60 0.98 7 中层草甸黑土 0.250 0.177 5.51 7.2 42.5 45 0.93 8 薄层草甸黑土 0.237 0.189 5.37 6.1 32.9 27 1.00 9 薄层谷地黑土 0.319 0.227 7.04 5.8 35.9 24 1.03 10 后层平地黑土 0.163 0.124 3.73 6.2 30.6 61 1.28 2、自组织特征映射神经网络网络设计 1）启动Matlab 应用程序，新建一个.m文件，操作见图2。 图2. 新建一个.m文件 2）在 m文件编辑器里编写如下代码，保存在\work目录下，命名为juleifenxi 。 % 建立网络学习样本,绘制输入变量分布图 clear clc p=[0.270 0.142 6.46 5.5 35.8 21 1.03; 0.171 0.115 3.46 6.3 33.0 60 0.78; 0.114 0.101 2.43 6.4 26.5 25 1.13; 0.173 0.123 3.3 5.8 28.9 65 1.09; 0.145 0.131 3.28 6.0 28.5 25 1.03; 0.173 0.140 3.45 5.8 33.4 60 0.98; 0.250 0.177 5.51 7.2 42.5 45 0.93; 0.237 0.189 5.37 6.1 32.9 27 1.00; 0.319 0.227 7.04 5.8 35.9 24 1.03; 0.163 0.124 3.73 6.2 30.6 61 1.28]’ plot(p(1,:),p(2,:),o) title(Input Vectors); xlabel(p(1)); ylabel(p(2)); pause % 创建一个自组织特征映射神经网络net,，其中newsom（）为创建网络函数，P为输入向量,minmax（P）指定了输入向量的最大最小值，[6 4]表示网络的拓扑结构为6×4 net=newsom(minmax(p),[6 4]); % 利用plotsom（）函数绘制网络拓扑结构。 plotsom(net.layers{1}.positions) pause % 设置训练步数分别为10、100、1000 % 产生对称的随机数，分别用三个训练步数训练网络， yc=rands(1,10); net.trainParam.eepochs=10 net=train(net,p);