Matlab代码实现SOM(自组织映射)算法

som可用于聚类，图像分割等，由于论文需要matlab实现了som。

%som实现%2016-11-12%by wangbaojia%  som原理及参数说明% 1.竞争：匹配最佳神经元---------->计算每个样本和初始神经网络的距离，距离最近神经元作为获胜神经元%% 2.合作：在权值更新过程中，不仅获胜神经元的权%值向量得到更新，而且其近邻神经元的权值向量也按照某个“近邻函数”进行更新。这样在开%始时移动量很大，权值向量大致地可按它们的最终位置来排序；%获胜神经元决定兴奋神经元的拓扑邻域的空间位置,从而提供了相邻神经元合作的基础%   拓扑邻域：规则多边形一般都可以作为邻域形状,常用的主要有正方形或六边形,正方形更为普遍%%权重向量的调整就发生在获胜神经元的邻域内。在训练的刚开始阶段,这个邻域比较大,%随着训练的进行,这个邻域开始不断减小%% 3.自适应：权值更新过程% 算法：% 1.初始化%    1)迭代次数：时间步长iter%    2)输出结点权值向量初始值,向量各元素可选区间(0，1)上的随机值,这里选择正方形邻域%    3)学习率初始值%    4)邻域半径的设置应尽量包含较多的邻神经元,整个输出平面的一半% 2.求竞争获胜神经元;欧拉距离函数求解% 3.权值更新：%        获胜节点和邻域范围内神经元集合的m个节点更新权值，j=1:m；    %            wj(t+1)=wj(t)+learnfun(t)*neighborfun(t)*(x-wj);% 4.更新学习率，更新邻域函数 %        neighborfun(t)=neighbor0*exp(-dij/t1);   t1=iter/log(neighbor0)%         learnfun(t)=learn0*exp(-t/t2);     t2=iter% 5.当特征映射不再发生明显变化时或达到最大网络训练次数时退出,否则转入第2步%载入数据，data数据每一行为一个用空格区分的多维数据样本tic;%样本数据的位置file_path='C:\Users\Administrator\Desktop\testclustering\test1\';path=strcat(file_path,'data.txt');%path=strcat(file_path,'data_path.txt');data=load(path);[data_row,data_clown]=size(data);%自组织映射网络m*nm=5;n=5;%神经元节点总数som_sumsom_sum=m*n;%权值初始化，随机初始化w = rand(som_sum, data_clown);%初始化学习率learn0 = 0.6;learn_rate = learn0;%学习率参数learn_para=1000;%设置迭代次数iter =500;%神经元位置[I,J] = ind2sub([m, n], 1:som_sum);%邻域初始化 neighbor0 =2;neighbor_redius = neighbor0;%邻域参数neighbor_para = 1000/log(neighbor0);%迭代次数for t=1:iter     %  样本点遍历    for j=1:data_row          %获取样本点值        data_x = data(j,:);         %找到获胜神经元        [win_row, win_som_index]=min(dist(data_x,w'));          %获胜神经元的拓扑位置        [win_som_row,win_som_cloumn] =  ind2sub([m, n],win_som_index);        win_som=[win_som_row,win_som_cloumn];        %计算其他神经元和获胜神经元的距离,邻域函数        %distance_som = sum(( ([I( : ), J( : )] - repmat(win_som, som_sum,1)) .^2) ,2);        distance_som = exp( sum(( ([I( : ), J( : )] - repmat(win_som, som_sum,1)) .^2) ,2)/(-2*neighbor_redius*neighbor_redius)) ;        %权值更新        for i = 1:som_sum           % if distance_som(i)<neighbor_redius*neighbor_redius             w(i,:) = w(i,:) + learn_rate.*distance_som(i).*( data_x - w(i,:));        end    end    %更新学习率    learn_rate = learn0 * exp(-t/learn_para);       %更新邻域半径    neighbor_redius = neighbor0*exp(-t/neighbor_para);  end%data数据在神经元的映射%神经元数组som_num存储图像编号som_num=cell(1,size(w,1));for i=1:size(w,1)    som_num{1,i}=[];end%每个神经元节点对应的data样本编号for num=1:data_row    [som_row,clown]= min(sum(( (w - repmat(data(num,:), som_sum,1)) .^2) ,2));    som_num{1,clown}= [som_num{1,clown},num];    end%存储神经元数组，.txt格式%save_som_data(file_path,som_sum,som_num);%存储神经元数组，.mat格式path1=strcat(file_path,'som.mat');save(path1,'som_num');toc;