分享使用SOM toolbox的心得

浩瀚海洋

  基于无监督神经网络的自组织映射（SOM）是一种有效的特征提取和分类方法。它将高维输入数据映射到低维（通常为2维）空间，同时保持输入数据之间的拓扑关系。
      在论文中看到用SOM进行模态分解（论文名：Performanceevaluation of the self-organizing map for feature extraction）。于是按照论文中的指引，下载了SOM toolbox，摸索了几天，终于能算出论文中第一个案例了。不知道是否有人也在为SOM烦恼，想把自己的摸索的结果分享。希望要用SOM的朋友们能一起学习讨论。
      SOM的工具包在论文里有下载地址。点我查看给积分不够的朋友的建议的朋友，可以去sci-hub搜索论文，然后按照论文中的地址下载。我用的是2.0版（有更新一点的版本，但是新版没有说明文档，不知道2.0版的文档是否通用。所以还是用2.0版了）。
      这篇论文主要是对SOM的参数设置进行评价，因此选用了一个很简单的正弦函数y=sin(kx-wt)作为前进波。我的程序如下：
clear
k=2*pi/100;
w=2*pi/50;
x=1:100;
t=1:200;
[X1,T1]=meshgrid(x,t);
D=sin(k.*X1-w.*T1);%设置输入数组
sD = som_data_struct(D);%构造结构体
sM = som_lininit(sD,'msize',[3 4],'rect'); %进行线性初始化
sMap = som_batchtrain(sM,sD,'trainlen',10,'neigh','ep','radius_ini',3,'radius_fin',1);%用批处理的方式进行训练
Bmus = som_bmus(sMap,sD);%计算最佳匹配单位时间序列
[K,P] = som_estimate_gmm(sMap,sD);%计算各个模式的概率     最后两个函数找了好久才找到，工具包中还有很多函数等待摸索。

三岁最可爱

刚好要用，谢谢楼主分享

谢骚骚

我试了一下楼主的代码但是最后做出来的12个图对应的振幅和概率都与文献不相符合，但是12个图的形状是符合文献的，可以麻烦楼主解答一下吗