Искусственные нейронные сети. Сивохин А.В - 105 стр.

   Увеличение смещений для неактивных нейронов позволяет рас-
ширить диапазон покрытия входных значений, и неактивный нейрон
начинает формировать кластер, что улучшает кластеризацию вход-
ных данных.

                 Практические задания
   Задание 1. Создать слой Кохонена для двух векторов входа, про-
анализировать его структурную схему и параметры вычислительной
модели, произвести обучение сети и моделирование, выполнив сле-
дующие команды:

  P = [.1 .8 .1 .9; .2 .9 .1 .8]; % – для обучения слоя;
  net = newc([01;01],2);          % – создание слоя;
  gensim (net);                   % – структура слоя;
  net = train(net,P);             % – обучение слоя;
  w = net.Iw{1,1};                % – веса после обучения;
  b =net.b{1};                    % – смещение после обучения;
  plot(P(1,:),P(2,:),’+k’)
  title (′Векторы входа′),xlabel(′P(1,:)′), ylabel(′P(2,:)′)
  hold on
  plot (w, ′or′)
  P1= [0.2:0.1:0.7; 0.2:0.1:0.7];
  y = sim(net,P1)
  yc = vec2ind(Y)

   Задание 2. Создать слой Кохонена, который для 48 случайных
векторов формирует 8 кластеров, выполнив следующие команды:

  c = 8;                    % – число кластеров;
  n =6;                     % – число векторов в классе;
  x = [-10 10; -5 5];       % – диапазон входов;
  [r,q] = size(x);          % – r число строк; q – число столбцов;


                                105