实验3 智能聚类分析.doc

《实验3 智能聚类分析.doc》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、实验3智能聚类分析实验H的1.了解人工智能机器学习的基本原理和方法。2.掌握自纽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収知识的基本于•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。本实验是基于自纽.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。自纽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。在学习过程屮，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

2、进行自纽织训练，并将其映射到相应的模式类中。图1具有二维网格的自组织映射网络模型自纟I[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，英中任一输入节点用j表示。输入层接受输入向量X=[xbx2,...xn]t,输入节点通过权值呵和输出层的M个神经元相连，M个神经元分布在二维的网格上，既白纽.织映射的输出空间，其结构见图lo英中，输入为：N冃输出为：Vi二f(Ui),f为神经元的激励函数。实验内容用自纽•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、自纽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

3、，数据见表1,确定的网络输入为7个输入节点，10个样本。农1样本数据序号土壞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0.2700」426.465.535.8211.032厚层黑土0.1710.1153.466.333.0600.783薄戻黑1:0.1140.1012.436.426.5251.134厚层黑土0.1730.1233.305.82&9651.095薄层黑土0」450.1313.286.02&5251.036厚层草甸黑土0.1730」403.455.833.4600.987中层草甸黑土0.2500」775.517.242.5450.938薄层

4、草甸黑土0.2370」895.376」32.9271.009薄层谷地黑土0.3190.2277.045.835.9241.0310后层平地黑土0.1630」243.736.230.6611.282、自纽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。1New►M-flleIcache**Open.・・Ctrl+OFigureCloseCommandWindowCtrl+WModelnenu.ImportData.・・GUIEditViewWebWindowHelpFile■JCo»andVindovSaveWorkspaceA

5、s.・・SetPath...Preferences.・・PageSetup.・・Print・・・图2.新建一个.in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juleifenxi0%建立网络学习样本,绘制输入变量分布图clearclcp二[0.2700.1426.465.535.8211.03;0.1710.1153.466.333.0600.7&0.1140.1012.436.426.5251.13;0.1730.1233.35.828.9651.09;0.1450.1313.286.028.5251.03;0.1730.1403.45

6、5.833.4600.98;0.2500.1775.517.242.5450.93;0.2370.1895.376.132.9271.00;0.3190.2277.045.835.9241.03;0.1630.1243.736.230.6611.28]'plot(p(l,:),p(2,，o')title(‘TnputVectors^);xlabel('p⑴');yiabel(，p(2)，)；pause%创建一个自纽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m,minmax(P)指定了输入向量的最大最小值，[64]表示网络的拓扑结构为

7、6X4net二ncwsom(minmax(p),[64]);%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(l,10);net.trainParam.eepochs二10net=train(net,p);%绘制网络训练后的神经元分布，进行仿真，利用函数vec2ind()将Y转换成串行数据输出plotsom(net.iw{l,1},net.luyets⑴.distances)y=sim(n

8、et,p)