Лабораторная работа: Кластеризация с помощью нейронных сетей

a=sim(net,p) %опроссети

A = 0.5000

B = 0.3000

a = (5,1) 1

Результат работы программы представлен на рис. 3 - 4.

Результат работы программы можно увидеть и в командном окне: a = (5,1) 1

Предъявленный вектор отнесен к пятому кластеру.

3 Контрольные вопросы

1. Что понимается под кластеризацией? Задача кластеризации (категоризации, классификации "без учителя") - задача размещения входных векторов (образов) по категориям (кластерам) так, чтобы близкие векторы (схожие образы) оказались в одной категории. Отличие задачи кластеризации от похожей на нее задачи классификации заключается в том, что набор категорий изначально не задан и определяется в процессе обучения нейронной сети. Примером задачи кластеризации служит задача сжатия информации путем уменьшения разнообразия данных.

Кластеризация может быть использована для решения следующих задач:

· обработки изображения;

· классификации;

· тематического анализа коллекций документов;

· построения репрезентативной выборки.

Методы кластеризации при помощи нейронных сетей являются развитием классических методов кластеризации. Например, метод кластеризации векторов с помощью сети Кохонена содержит в своей основе метод К средних. В то же время нейронные сети являются гораздо более гибким инструментом в применении к данным, имеющим большой объем и избыточную размерность.

Закон обучения Кохонена

На рис. 1 приведена базовая структура слоя Кохонена. Слой состоит из N обрабатывающих элементов, каждый из которых получает п входных сигналов Х[,Х2,...,х„ из нижестоящего слоя, который является прямым передатчиком сигналов. Входу х, и связи ( ij ) припишем вес w / j .

Рис. 1. Нейронная сеть со слоем Кохонена

2. Опишите встроенные операторы Matlab для кластеризации.

Newc – создание конкурентного слоя.

Net=newc(PR,S,KLR,CLR) – функция создания слоя Кохонена.

Аргументы функции:

PR – R х 2 матрица минимальных и максимальных значений для R входных элементов,

S – число нейронов,

KLR – коэффициент обучения Кохонена (по умолчанию 0,01)

CLR – Коэффициент «справедливости»(по умолчанию 0,001)

Опишите сеть Кохонена.

3. Зачем используются самоорганизующиеся карты? Самоорганизующиеся карты (SelfOrganizingMaps - SOM) это одна из разновидностей нейросетевых алгоритмов.

Нейронные сети денного типа часто применяются для решения самых различных задач, от восстановления пропусков в данных до анализа данных и поиска закономерностей, например, в финансовой задаче.

4. Опишите отличие сети Кохонена от SOM . Основным отличием данной технологии от рассмотренных нами ранее нейросетей, обучаемых по алгоритму обратного распространения, является то, что при обучении используется метод обучения без учителя, то есть результат обучения зависит только от структуры входных данных.

Заключение

В ходе выполнения лабораторной работы я ознакомился с теоретическими сведениями, необходимыми для решения задачи кластеризации с помощью нейронной сети со слоем Кохонена. С использованием встроенных функций пакета нейронных сетей математической среды Matlab была решена задача кластеризации весоростовых показателей. Также было рассмотрено использование самоорганизующей карты на примере двумерных векторов.

Список использованных источников