Ćwiczenie

Temat: Samoorganizująca się mapa Kohonena.

1. Przyjmując jako dane wejściowe zbiór punktów na płaszczyźnie losowanych
   w przedziale (-1,..,1) zaprojektuj samoorganizującą się sieć neuronową składającą się ze stu neuronów.

• N= 10x10;

• p = rands(2,1000);

2. Dla projektowanego algorytmu przyjmij następujące parametry i założenia:

• akt = 50; % Częstotliwość wyświetlania

max_pres = 2000; % Całkowita liczba epok

init_lr = 1; % Startowa wartość współczynnika uczenia

max_nb = max(max(m)); % Największe możliwe sąsiedztwo

• lr_x = (1/max_pres)^(1/sqrt(max_pres*1000));

base_lr = 0.5*init_lr / (1+lr_x);

nb_x = (1/max_nb)^(10/max_pres);

3. Dla zaprojektowanego algorytmu przeprowadź proces uczenia wykorzystując metodę Kohonena.

• dw(i,:) = lr*(ones(len,1)*p'-w(i,:)); %Korekta wag;

• [x,y] = meshgrid(1:d1,1:d2); % Siatka symbolizująca rozmieszczenie neuronów

• coord = [reshape(x,S,1) reshape(y,S,1)]; %Macierz współrzędnych do pomiaru metryki Manhatan

• %Obliczanie dystansu pomiędzy wektorami w(i,:) oraz p na wejściu do poszcz. neuronów

for i=1:s

x = w(i,:)'*ones(1,nc); % W tym przypadku wystarczyłoby w(i,:)

e(i) = sum((x-p).^ 2) .^ 0.5; % Od każdego wiersza' macierzy w odejmujemy wektor p

end

4. Zamieść w sprawozdaniu kod źródłowy programu i wykresy demonstrujące jakość pracy sieci oraz wnioski wynikające z przeprowadzonych symulacji (przykładowy wynik symulacji zamieszczono poniżej).

Wygląd mapy Kohonena po zakończonym procesie uczenia oraz przykładowe punkty wylosowane w fazie testowania efektywności sieci.

Poszczególne parametry pochodzą z programu omawianego w ramach wykładu

---