广义回归神经网络GRNN 函数逼近
P = [1 2 3]; % 训练输入向量
T = [2.0 4.1 5.9] % 训练输入的期望输出值newgrnn(P,T,.5) .4扩散速度
net = newgrnn(P,T); % 设计GRNN网络
x=[1.5,2.5]; % 测试输出。计算x=1.5和x=2.5的查找
y=sim(net,x) % 测试结果
竞争神经网络 分类
inputs = iris_dataset; % 载入数据
net = competlayer(3); % 创建竞争网络默认competlayer(5,0.01,0.001)分类类别.Kohonen学习率.阈值学习率
net = train(net,inputs); % 训练
outputs = net(inputs); % 分类
classes = vec2ind(outputs) % 格式转换。classes为分类结果，这里仅列出部分数据
c=hist(classes,3) % 每个类别的数量
自组织映射神经网络 聚类
x = simplecluster_dataset;
plot(x(1,:),x(2,:),'o')
set(gcf,'color','w')
title('原始数据')
net = selforgmap([8 8]); % 创建自组织映射网络
net = train(net,x); % 训练
y = net(x);
classes = vec2ind(y);
hist(classes,64) % 显示聚类结果
set(gcf,'color','w')
title('聚类结果')
xlabel('类别')
ylabel('类别包含的样本数量')
net = selforgmap([2,3]);
net = train(net,x);
y = net(x);
classes = vec2ind(y);
c=hist(classes,6) % 6个类别包含的样本个数
plotsomhits(net,x) % 显示每个类别的个数
plotsompos(net,x) % 显示类别中心点的位置
plotsompos(net,x) % 显示类别中心点的位置
