网络结构设计和参数选择

更新时间：2024-12-23 01:23:36

9.2.2.1 拓扑结构

SOFM网络一般有三种拓扑结构：六角形（hextop）结构、矩形（gridtop）结构和随机拓扑（randtop）结构。

（1）六角形拓扑结构

神经元分布在六边形格点。如，hextop（2，3）＝［0 1 0.5 1.5 0 1；0 0 0.866 0.8661.7321 1.7321］，其拓扑结构如图9.4所示。

图9.4 六角形拓扑结构

（2）矩形拓扑结构

生成一个格点阵列拓扑结构。如，gridtop（2，3）＝［0 1 0 1 0 1；0 0 1 1 2 2］，其拓扑结构如图9.5所示。

图9.5 矩形拓扑结构

（3）随机拓扑结构

神经元排列格式为随机格点。如，randtop（2，3）＝［0 0.8338 0.6732 1.47170.2030 0.6577；0.1940 0 0.7208 0.8619 1.3867 1.6807］，其拓扑结构如图9.6所示。

图9.6 随机拓扑结构

9.2.2.2 距离函数

SOFM网络有四种距离计算方式：

1）Boxdist：两个位置向量之间的距离。运算原理为d（i，j）＝max‖p_i－p_j‖，其中，d（i，j）表示距离矩阵中的元素，p_i表示位置矩阵的第i列向量；

2）Dist：两个神经元之间的欧几里得距离。其计算法则是D＝sqrt（sum（x－y）2），其中x和y分别为列向量；

3）Linkdist：两个神经元之间的路径的步数和环节数，用于对给定神经元计算神经元之间的距离；

4）Mandist：计算神经元之间的曼哈顿距离，D＝｜x₁－x₂｜＋｜y₁－y₂ ｜，其中x_i，y_i为点坐标。

9.2.2.3 学习函数

1）Learnk函数：kohonen权值学习函数，通过给定的神经元的输入P、输出A和学习率LR，该函数按照dw＝LR*（P′－W）计算权值变化；

2）learnsom：自组织映射权值学习函数，对于给定的神经元输入P、激活因子A2和学习率LR，通过dw＝LR*A2 *（P′－W）调整权值；

3）learnis函数：instar权值学习函数，对于给定神经元的输入P、输出A和学习率LR，按照dw＝LR*A*（P′－W）调整权值；

4）learnos函数：outstar权值学习函数，对于给定神经元的输入P、输出A和学习率LR，按照dw＝LR*（A－W）*P′调整权值。

9.2.2.4 学习次数

学习次数对网络训练结果的影响最直接，学习次数太少，易出现网络训练不足，达不到精度的情况，学习次数太多，又会出现过拟合的现象，使训练精度下降。

9.2.2.5 神经元个数

一般来讲，根据所分类的问题去设置神经元个数，而且对于SOFM网络而言，神经元个数要大于分类问题的类别数，但神经元个数又不能太大，否则，会使得聚类结果的判别变得繁琐。