Нейронные сети и нейроконтроллеры. Бураков М.В. - 204 стр.

204

>> d2 = randn(3,20) + 3; % кластер с центром (3, 3, 3)

>> d3 = randn(3,20); d3(1,:) = d3(1,:) + 9; % кластер с центром

(9, 0, 0)

>> d = [d1 d2 d3]; % массив для кластеризации

>> plot3(d(1,:), d(2,:), d(3,:), 'ko'), hold on, box on

>> net = newc(minmax(d), 3);

>> net.trainParam.epochs = 100;

>> net = train(net, d);

>> gcf,

ализации многомерных данных. Конечно, спроецировать много-

мерную выборку на плоскость без искажений невозможно, и SOM

отражают лишь общую картину. Однако использование SOM позво-

ляет анализировать особенности кластерной структуры многомер-

ной выборки. Это бывает весьма важно для качественного анализа

информации.

Идея заключается в том, чтобы спроецировать все объекты вы-

борки на плоскую карту, точнее, на множество узлов прямоуголь-

ной сетки заранее заданного размера M × N, которые могут иметь

порядок десятков или сотен. Для того чтобы карта отражала клас-

Таким образом, SOM решает две задачи:

• понижение размерности данных с минимальной потерей ин-

формации (анализ главных компонент данных, выделение набо-

ров независимых признаков);

• уменьшение разнообразия данных путем выделения конечно-

го набора прототипов и отнесения данных к одному из таких типов

(т. е. кластеризация).