郑华2150230505SOM网络模型Word格式文档下载.docx
《郑华2150230505SOM网络模型Word格式文档下载.docx》由会员分享，可在线阅读，更多相关《郑华2150230505SOM网络模型Word格式文档下载.docx（23页珍藏版）》请在冰点文库上搜索。
图1
上图出自朱安民教授的课件。
输入层节点个数为2，即为每个城市的坐标。
输出层节点个数为城市的个数29。
2.算法步骤；
图2
首先要初始化神经网络的权值，然后将坐标输入到神经网络中去，竞争出来一个优胜点，然后计算出离这个点最近的邻居，然后修改优胜点和他的邻居的
3.运行程序，结果图示。
图3
3.1对101个城市进行处理的结果截图，分别运行3次，结果图是否一样？
为什么？
三次的结果不一样，如下三个图所示，原因是初始状态的选取是随机的，不一定那个点就是优胜点，而且结果也是最优路径的近似值，并不是完全的最优路径，所以结果也是不尽相同的。
但是，每次结果的误差都很小，所以这种算法还是可行的。
图4
图5
图6
3.2对29个城市进行处理的结果截图，分别运行3次，结果图是否一样？
图7
图8
图9
由以上三个图可知结果图是一样的，因为点比较少，用SOM算法算出来的路径就是最优路径，因此结果是一样的。
3.3分析学习率alpha的取值范围[0.001，0.1]对结果的影响；
Alpha=0.001时：
time=8.106187s
图10
Alpha=0.01时：
time=9.079510s
图11
Alpha=0.1时：
time=8.741680s
图12
经过试验分析可以得出：
当alpha=0.01这个量级的时候结果是最准确的，而且用时也不是很多，所以经过验证alpha最好取值为0.03，alpha取值太大或者太小的时候都会产生误差。
3.4分析学习率beta的取值范围[0.001，0.5]对结果的影响；
图13beta=0.001time=10.597906s
beta=0.01time=10.601020s
图14
beta=0.1time=6.787424s
图15
beta=0.5time=6.066585s
图16
由以上四个结果可知：
随着beta的增大，运行时间缩短，但是结果最准确而且速度相对快的点在beta等于0.1的时候，所以我们以后运行程序就把beta设置为0.1。
beta的值如果太小的话就无法趋近并且与表示城市的那些点重合，太大的话路线也会变长。
3.5邻居函数F（percent,G）范围的确定参数percent的取值[0.10.8]对结果的影响；
Percent=0.1time=8.014007
图17
Percent=0.2time=7.614537s
图18
Percent=0.4time=7.389752s
图19
Percent=0.8time=7.173295s
图20
随着percent的增大误差率是随之增大的，因此，percent应该取一个较小的值，但是，随着percent的增大，运行时间是减小的，因此，percent也不能是个太小的值，所以由实验得出，percent取0.2的时候效果最好。
四、总结分析
1．程序运行结果的列表，包括7组不同数据、3次不同的运行次数、不同的参数选择的情况下的路径长度、运行时间、以及最短路径的长度。
2．结果列表的文字说明。
3．实验过程当中遇到的问题、教训的总结。
由实验得出，当alpha=0.03,beta=0.1,percent=0.2的时候，运行效果最佳，运行时间较短而且准确性较高。
alpha=0.03,beta=0.1,percent=0.2
图21
图22
运行时间：
time=7.798191s
五、附录源程序
注意：
包括主要功能的注释说明；
如果是自己编写的请特别注明；
如果是参考网上的，注明源代码出处和修改处。
Main
function[]=Main（data,bestpath）
tic%计时
%data:
训练集，有三列，第一列是行标，第二、三列是坐标；
route；
得到的有序的路径；
bestpath：
为最优路径，每行只有一列，表示城市标号
%参数配置
bug=0;
%调试模式1，运行模式0
norm=0;
%是否对数据归一化，1：
归一化；
0：
不归一化
alpha=0.03;
beta=0.1;
%学习率
beta1=beta;
percent=0.2;
citynum=length（data）;
%城市数目
neutralNum=citynum*2;
%输出神经元数目
r=10;
%初始半径
iterNum=1000;
%定义迭代数
data2=data;
%备份
ifnorm==1
%归一化
max1=max（data（:
2））;
max2=max（data（:
3））;
min1=min（data（:
min2=min（data（:
fori=1:
1:
length（data）
data（i,2）=（data（i,2）-min1）/（max1-min1）;
data（i,3）=（data（i,3）-min2）/（max2-min2）;
%0到1
end
end
%初始化权重值,W
fori=1:
neutralNum
forj=1:
2
W（i,j）=rand;
%训练
foriter=1:
iterNum
error=0;
%记录精度
forcount=1:
citynum
i=floor（rand*citynum）+1;
%现随机取数据
coord=data（i,2:
3）;
%城市的坐标
[winnerIndex,distValSet]=findWinner（coord,W）;
%winnerIndex:
找到的优胜者下标；
distValSet；
输入向量与所有的神经元的距离值得集合；
%更新优胜者和邻居的权值
dist1=dist（winnerIndex,j,neutralNum）;
%dist（i,j,M）计算s神经元i与优胜神经元j之间的距离，其中M为总的神经元
adjacentFuncVal=adjacentFunction（dist1,r）;
%findWinner（A,W）求近邻函数的结果值；
dist；
神经距离优胜神经元的距离；
r;
本次迭代的近邻半径
%更新权值
W（j,1）=W（j,1）+beta*adjacentFuncVal*（coord
（1）-W（j,1））;
W（j,2）=W（j,2）+beta*adjacentFuncVal*（coord
（2）-W（j,2））;
error=error+distValSet（winnerIndex）;
%检查精度，精度满足则退出
iferror<
percent
disp（'
break'
）;
break;
%参数更新
r=round（（r-1）*（1-iter/（iterNum）））+1;
%更新半径
beta=beta-beta1/（iterNum）;
%更新学习率
%调试工具
ifbug==1
ifiter>
1
cla
%画图
plot（data（:
2）,data（:
3）,'
ro'
%axis（[0,1,0,1]）;
holdon;
[path1,path2]=getPath（data,W）;
%获取路径
drawPath（path1）;
%绘制路径
pause
（1）;
%休眠
%统计结果
[distantOfBestPath,distantOfRusultPath,errorRate,]=compareToBestPath（path2,bestpath,data2）;
%与最优路径对比，path2:
路径，格式为路径按照行数排序，第二列是城市编号；
最优路径；
data2:
城市坐标数据
str=sprintf（'
%s%d%s%d%s%d%s%d'
'
最优路径长度='
distantOfBestPath,'
；
结果路径长度='
distantOfRusultPath,'
误差率='
errorRate,'
迭代次数='
iter）;
title（str）;
%axis（[-0.2,1.2,-0.2,1.2]）;
[path1,path2]=getPath（data,W）%获取路径
[distantOfBestPath,distantOfRusultPath,errorRate,data3]=compareToBestPath（path2,bestpath,data2）;
%s%d%s%d%s%d'
errorRate）;
%画最优路径
figure;
plot（data3（:
1）,data3（:
2）,'
ro-'
title（'
最优路径'
iter
toc%完毕
findWinner:
function[winnerIndex,distValSet]=findWinner（A,W）
A：
输入的向量W：
所有神经元的权重值的集合
iputDim=length（A）;
%iputDim：
输入向量的维度值
neuNum=length（W）;
winnerIndex=1;
%计算输入的向量W：
所有神经元的权重之间的距离
neuNum
distant=0;
iputDim
distant=distant+（A（j）-W（i,j））^2;
distValSet（i）=sqrt（distant）;
ifi>
ifdistValSet（winnerIndex）>
distValSet（i）
winnerIndex=i;
compareToBestPath:
function[distantOfBestPath,distantOfRusultPath,errorRate,data2]=compareToBestPath（path2,bestpath,data）
data:
城市坐标数据;
最优路径
%的坐标数据
dist1=0;
dist2=0;
data2（1,:
）=data（bestpath（1,1）,2:
（length（bestpath）-1）
cityNum1=bestpath（i,1）;
cityNum2=bestpath（i+1,1）;
cityPos1=data（cityNum1,2:
cityPos2=data（cityNum2,2:
data2（i+1,:
）=data（cityNum2,2:
d=（cityPos1
（1）-cityPos2
（1））^2+（cityPos1
（2）-cityPos2
（2））^2;
d=sqrt（d）;
dist1=dist1+d;
cityNum1=bestpath（1,1）;
cityNum2=bestpath（length（bestpath）,1）;
cityPos1=data（cityNum1,2:
cityPos2=data（cityNum2,2:
d=（cityPos1
（1）-cityPos2
（1））^2+（cityPos1
（2）-cityPos2
（2））^2;
d=sqrt（d）;
dist1=dist1+d;
distantOfBestPath=dist1;
%最优路径长度
（length（path2）-1）
cityNum1=path2（i,2）;
cityNum2=path2（i+1,2）;
dist2=dist2+d;
cityNum1=path2（1,2）;
cityNum2=path2（length（path2）,2）;
dist2=dist2+d;
distantOfRusultPath=dist2;
%结果路径长度
errorRate=（distantOfRusultPath-distantOfBestPath）/distantOfBestPath;
%误差率
注：
部分核心代码来源于网络以及参照老师给的代码。
自己增加一些功能，就是输出最优路径长度，及结果路径长度，进行对比。
本次实验，获益匪浅，明白了SOM神经网络算法的本质，感谢老师！
指导教师批阅意见：
√
实验报告内容的确完整性
（20分）
实验步骤的清晰程度
实验数据的准确性
实验结果和分析的正确性
实验态度（实验表现、格式排版、独立完成、按时提交）（20分）
完整
20
较完整
15
不够完整
10
清晰
较清晰
不够清晰
准确
较准确
不够准确
正确
较正确
不够正确
规范
较规范
不够规范
说明：
成绩评定：
指导教师签字：
朱安民
2016年6月16日
备注：
1、报告内的项目或内容设置，可根据实际情况加以调整和补充。
2、教师批改学生实验报告时间应在学生提交实验报告时间后10日内。
升级会员 