- 积分
- 362
- 贡献
-
- 精华
- 在线时间
- 小时
- 注册时间
- 2019-12-20
- 最后登录
- 1970-1-1
|
登录后查看更多精彩内容~
您需要 登录 才可以下载或查看,没有帐号?立即注册
x
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。
|
-
-
SOM.rar
833.88 KB, 下载次数: 38, 下载积分: 金钱 -5
售价: 5 贡献 [记录]
toolbox和说明文档
|