您确定要删除吗?

取消
首页 算法大全 应用模型 分析软件 算法学院数据中心 在线体验 关于本站
在线咨询
400-820-6981
意见反馈
返回顶部

Kohonen神经网络

操作系统:
0
  • Windows
  • Linux
版本:
  • 单机版
  • 网络版
  • 分布式云平台
系统位数:
  • 32位
  • 64位
购买年限:
  • 1年
  • 2年
  • 3年
  • 5年
  • 10年
  • 永久

价格¥0.00元

马克威Kohonen神经网络

马克威操作说明

以数据文件“马克威通用数据1.mkw”为例,演示Kohonen神经网络算法的操作。其中数据记录了准三维空间的1099个点,试用Kohonen算法对这些点进行分析。首先,在工作区内,打开建模分析工作流:“机器学习”→“神经网络”→“Kohonen神经网络”,接着选择模型的训练或应用,然后选择数据源,并设置算法参数,最后双击运行按钮。具体的操作如下:

(1)模型训练

选择模型任务为“训练”,调整模型最大学习率为0.4,最小学习率为0.01,最大聚类个数为5个(用户可自行更改),最大迭代次数为100,字段选择为“年龄”、“浏览次数”、“购买总额”、“用户评价”,并要求显示聚类信息,如下图所示:

Kohonen神经网络-属性设置

选项说明

变量选择:选择建模的变量。

模型设置:设置模型的各种参数:

最大聚类个数:即设置最后聚成几类。

学习速率:用于控制训练的精度和训练的时间。分别要设置最大学习速率和最小学习速率。每次迭代过程学习速率应控制在这个范围之间。系统默认最大学习速率为0.4,最小学习速率为0.01。

任务设置:控制算法的运行:

最长运行时间:指定该算法运行的最长时间,如果运算的时间达到该指定时间时则强制跳出,并认为该算法失败,不输出运算结果。在该下拉列表中,系统提供了以下八种设置:10分钟、1小时、2小时、7小时、1天、2天、7天和不限时。其中“不限时”为系统默认项。

最大迭代次数:用于控制计算。当算法迭代到最大迭代次数时,如果此时算法未收敛,则跳出循环。

模型保存:设置模型的保存路径。

双击“运行”节点开始训练过程,得到模型结果如下:

Kohonen神经网络-树形结果列表 Kohonen神经网络聚类表

(2)模型应用

完成模型训练后,可以应用模型对数据进行分析。在“模型任务”栏选择“应用”,并选择模型来源,将模型变量与数据变量进行匹配,如下图:

Kohonen神经网络-属性设置

选项说明

模型来源:选择训练得到的模型,以进行预测应用。

变量设置:匹配模型中的变量和数据源中的变量。当加载模型文件后,系统会自动根据数据文件和模型文件进行同名匹配。用户也可以根据实际的需要,自定义匹配变量。

应用模型后,得到预测结果如下:

Kohonen神经网络-树形结果列表 Kohonen神经网络聚类表

数据要求

输入要求:数值型,不能是布尔型和描述型。

算法用途

Kohonen网络是自组织竞争型神经网络的一种,该网络为无监督学习网络,能够识别环境特征并自动聚类。

算法原理

Kohonen网络(该网络由芬兰学者Kohonen提出)也是一种竞争学习网络,该网络输出层的各神经元相互连接,当一个神经元接受样本输入时,其周围的神经元也会产生不同的响应,然后通过这些响应产生胜利者。

自组织映射网络(kohonen)结构见下图所示,图中上层为输出层,假定有个节点,输出层中的节点是以二维形式排成一个节点矩阵,输出节点之间也可能实现局部连接,它们中的每个节点是一个输入样本的代表。输入层处于下方,若输入向量为维,那么输入节点有个,输入节点与输出层的所有节点通过权值实现全互联。在输出层竞争是这样进行的,对于获胜的节点,在其周围区域内的节点在不同的程度上得到兴奋,而在区域以外的节点都被抑制,这个趋于可以是正方形也可以是六角形,如图所示。区域是时间的函数,随着的增加,的面积成比例缩小,最后剩下一个节点,或一组节点,它们反映一类样本的属性。自组织映射网络为一个无教师指导的、自适应、自组织的网络。

Kohonen 网络结构

对于任意一个输入节点和输出节点有:

的形状变化情况

自组织映射学习算法:假定共有个输入模式,对于某个输入模式通过竞争,逐渐收敛到样本空间所划分的个子集的中心。当某一模式输入时,对某一输出节点给予最大的刺激,以指示该类模式的所属区域,而同时对获胜周围的一些节点给予较大的刺激。当另一输入模式输入时,获胜区域移到其它区域。

在训练过程中定义获胜节点的邻域为,表示在时刻以节点为中心的某一半径内的所有节点,随着训练过程的进行的半径将逐渐缩小,最后只剩本身。即在初始阶段不但对获胜节点调整权值,也对其周围节点调整权值,直到最后仅对调整权值。保证对于某一类输入模式,获胜节点做出最大的响应,而相邻节点做出较大的响应。几何上相邻的节点代表特征相近的模式。Kohonen网络的具体算法为:

① 连接权值的初始化。

② 对网络输入一个样本模式。

③ 计算与全部输出节点间的权值向量的距离

④ 选择有最小距离的节点为竞争获胜节点

⑤ 调整权值

其中,为,增益函数,随着时间而递减。限界函数,随着距离递减。

⑥ 若还有输入样本则转②,当所有的样本输入完,且满足:

或者完成指定的学习次数后算法结束,否则转②。

没有一般化数学方法,凭经验选取。初始时,选取较大,后逐渐变小,开始时较大,后逐渐变为0。

结果与解释

输出结果:

Kohonen神经网络权值表:列出神经网络的权值。

Kohonen神经网络聚类表:列出每条记录所属类别。

订购用户 订购时间 年限 运行环境 版本
1801****427 2019-02-18 19:07:33 1年 Windows 单机版
1864****834 2018-09-25 15:44:55 1年 Windows 单机版
1811****398 2018-07-23 13:07:48 1年 Windows 单机版
1580****630 2018-07-17 10:05:56 1年 Windows 单机版
1832****368 2018-06-28 14:41:39 1年 Windows 单机版
1563****947 2018-06-06 10:33:35 1年 Windows 单机版
1801****513 2018-04-07 13:53:02 1年 Windows 单机版
1362****882 2018-01-27 13:41:16 1年 Windows 单机版
1362****882 2018-01-26 14:25:12 1年 Windows 单机版
1398****856 2018-01-05 22:43:24 1年 Windows 单机版
<123· · ·46>跳至

加入购物车成功!

继续购物 去购物车