SOM实验报告-文成分析.doc

深 圳 大 学 实 验 报 告 实验课程名称： 人工神经网络 实验项目名称： SOM网络模型应用 学院： 计算机与软件学院 专业： 软件工程 报告人： 文 成 学号： 2150230509 同组人： 无 指导教师： 朱安民 实验时间： 2016年5月31日 实验报告提交时间： 2016年6月01日 教务处制  实验目的 理解并熟悉掌握SOM算法。 实验内容 1）假设有一个旅行商人要拜访n个城市，他必须选择所要走的路径，路径的限制是每个城市只能拜访一次，而且最后要回到原来出发的城市。路径的选择目标是要求所经过的路径路程最短。 2）设计一个SOM神经网络，解决TSP旅行销售员问题。 3）试分析如何将网络设计扩展到解决多个旅行销售员的MTSP问题。 实验步骤 网络设计，包括输入层、输出层节点个数的设计，为什么如此设计； SOM网络的目标是：通过输入数据训练网络，使得当输入数据接近时，输出结果也接近。叫做特征映射 (feature map)。 如何达到目标：通过引入竞争学习机制，调节神经网络结点的权值，使得具有类似输入特征的输出结点尽可能相互靠近。 输入层节点个数为 算法步骤； 仿真实验的过程如上图所示 首先初始化神经网络的权值 将坐标输入到神经网络中去 竞争出来一个优胜点 计算出离这个点最近的邻居 修改优胜点和它邻居的权值，如果权值改变了，那么返回第2步。 结束  运行程序，结果图示。 例如29个城市的图 运行前要先load数据，然后执行main.m data=load(bayg29.tsp.txt) bestpath=load(bayg29.tour.txt) Main(data,bestpath) 3.1对101个城市进行处理的结果截图，分别运行3次，结果图是否一样？为什么？ 结果不一样。仔细看可以发现有细微差别。 如下三个图所示。 原因是初始状态的选取是随机的，不一定那个点就是优胜点，而且结果也是最优路径的近似值，并不是完全的最优路径，所以结果也是不尽相同的。但是，每次结果的误差都很小，所以这种算法还是可行的。 3.2对29个城市进行处理的结果截图，分别运行3次，结果图是否一样？为什么？ 结果的图一样，因为点的数量太少，在误差一定的情况下，运行结果是一样的。 3.3分析学习率alpha的取值范围[0.001，0.1]对结果的影响； Alpha=0.001时 Alpha=0.01时 Alpha=0.1时time= 8.741680s 所以当alpha=0.01这个量级的时候结果是最准确的 3.4分析学习率beta的取值范围[0.001，0.5]对结果的影响； 当beta=0.001时 当beta=0.01时 当bata=0.1时 beta的值如果太小，不可行。 随着beta的增大，运行时间缩短。 在beta接近0.1的时候，结果最准确而且速度相对快 四、总结分析 程序运行结果的列表，包括7组不同数据、3次不同的运行次数、不同的参数选择的情况下的路径长度、运行时间、以及最短路径的长度。 由实验得出当的时候运行效果最佳运行时间较短而且准确性较高 alpha=0.03,beta=0.1,percent=0.2 图21 图22 运行时间 7.798191s 五、附录源程序 注：代码主要来源于老师上课时给的代码而且参考了 function [] =Main(data,bestpath) tic%计时 %data :训练集，有三列，第一列是行标，第二、三列是坐标；route； 得到的有序的路径；bestpath：为最优路径，每行只有一列，表示城市标号 %参数配置 bug=0;%调试模式1，运行模式0 norm=0;%是否对数据归一化，1：归一化；0：不归一化 alpha=0.03; beta=0.1;%学习率 beta1=beta;%学习率 percent=0.2; citynum=length(data);%城市数目 neutralNum=citynum