х вибірок або добре врівноважених таблиць, але, на щастя, саме для цих умов добре застосуємо критерій Пірсона.
Для тестування мережі необхідно ввести на вхід невідомі зразки. На (табл. 3.2) показана навчена мережа.
Для тестування візьмемо 30 зразків з явною належністю до певного нейрону, тобто зразок повинен перебувати до одного нейрону ближче ніж до інших.
Табл. 3.2
Координати нейронів навчання мережі Кохонена
Шар нейронів Кохонена 0,00000,0000X3X4r(x-wi)00,00000,00000,22030,19440,000010,00000,00000,35550,33320,000020,00000,00000,31640,41670,000030,00000,00000,37290,58330,000040,00000,00000,43050,85000,000050,00000,00000,63200,90480,000060,00000,00000,18640,16670,000070,00000,00000,12990,11110,000080,00000,00000,18660,33320,000090,00000,00000,39830,50000,0000100,00000,00000,57380,69050,0000110,00000,00000,94350,75000,0000120,00000,0000-0,8004-0,72220,0000130,00000,00000,00490,01160,0000140,00000,0000-0,0004-0,16610,0000150,00000,00000,25430,24990,0000160,00000,00000,55930,41670,0000170,00000,00000,79660,50000,0000180,00000,0000-0,8373-0,83330,0000190,00000,0000-0,9322-0,88330,0000200,00000,0000-0,1920-0,23610,0000210,00000,00000,1153-0,02500,0000220,00000,00000,35590,18330,0000230,00000,00000,62690,25020,0000240,00000,0000-0,8767-0,91670,0000250,00000,0000-0,8039-0,91670,0000260,00000,0000-0,8712-1,00000,0000270,00000,00000,2203-0,02780,0000280,00000,00000,25420,08330,0000290,00000,00000,55860,08340,0000 Мінімальна відстань 0,0000 Winnerij 000
Для тестування візьмемо з вибірки невикористані зразки (табл. 3.3):
- 1 клас (з 41 по 50)
2 клас (з 91 по 100)
1 клас (з 141 по 150)
табл.3.3
Вибірка для тестування
Вибірка для тестування 41-50, 91-100, 141-150nX1X2X3X4КлассКластер100-0,86441-0,83333118200-0,79661-0,91667125300-0,86441-1126400-0,89831-0,83333119500-0,76271-0,83333118600-0,83051-0,83333118700-0,76271-0,91667125800-0,83051-0,75112900-0,83051-0,916671251000-0,83051-0,916671251100-0,32203-0,1666722012000,050847021313000,2542370,0833332281400-0,11864021315000,3220340,16666722216000,016949021317000,016949021318000,1525420,0833332719000,2881360,08333322820000,3559320,3333332121000,6271190,41666731622000,6271190,7531023000,4915250,66666731024000,72881413525000,3898310,5833333326000,4576270,53927000,5254240,66666731028000,3559320,5833333329000,3898310,9166673430000,694915135
Після цього проводимо кластерезацію зразків і порівнюємо отриманий вихід з необхідним. Заносимо дані в (табл. 3.4).
Порівнюючи табл. і табл. бачимо, що фактичні і необхідні значення збігаються, карта Кохонена вказує приналежність до того чи іншого кластеру вірно.
табл.3.4
Класифікація тестових зразків
Зразки 41-50, 91-100, 141-1501 класс2 класс3 клас +1312741813519209252210262816
Можна зробити висновок про те, що створена нейронна мережа навчена і працює коректно.
. 8 Створення, навчання і тестування мережі Кохонена в Matlab
. 8.1 Обгрунтування вибору середовища для створення мережі
Програмне забезпечення, що дозволяє працювати з картами Кохонена, зараз представлено безліччю інструментів. До інструментарію, включающему реалізацію методу карт Кохонена, відносяться Matlab Neural Network Toolbox, SoMine, Statistica, NeuroShell, NeuroScalp, Deductor і безліч інших.
Це інструменти, що включають тільки реалізацію методу самоорганізованих карт, так і Нейропакет з цілим набором структур нейронних мереж, серед яких - і карти Кохонена; також даний метод реалізований в деяких універсальних інструментах аналізу даних. Виходячи зі специфіки розв'язуваних мережею завдань, можна сформулювати вимоги до інтегрованої середовищі для моделювання процесів:
збір та обробка інформації;
можливість математичних обчислень;
наочний висновок результатів моделювання;
наявність оптимізаційних процедур;
відкритість архітектури;
інтеграція з офісними додатками;
можливість використання програмних модулів, написаних на інших мовах програмування.
Всім зазначеним вимогам відповідає інтегрована середа математичного моделювання MATLAB.
3.8.2 Архітектура мережі
промоделювати архітектура самоорганізується карти Кохонена в MATLAB NNT показана на рис. 328.
Рис. 3.28. Архіте...
