Contenu principal

selforgmap

Description

Les cartes auto-organisatrices (SOM) apprennent à regrouper les données en fonction de leur similarité et de la topologie, avec une préférence (mais pas de garantie) pour l'attribution du même nombre d'instances à chaque classe.

Vous pouvez utiliser des cartes auto-organisatrices pour regrouper des données et en réduire la dimensionnalité. Elles s'inspirent des cartographies sensorielles et motrices du cerveau des mammifères, qui semblent également organiser automatiquement les informations de manière topologique.

selfOrgMap = selforgmap(dimensions) prend un vecteur ligne de tailles de dimension et renvoie une carte auto-organisatrice.

exemple

selfOrgMap = selforgmap(dimensions,coverSteps,initNeighbor,topologyFcn,distanceFcn) prend un vecteur ligne de tailles de dimension, ainsi qu'un nombre d'étapes d’apprentissage pour la couverture initiale, une taille de voisinage initiale, une fonction de topologie de couches et une fonction de distance entre les neurones, et renvoie une carte auto-organisatrice.

Exemples

réduire tout

Cet exemple indique comment utiliser une carte auto-organisatrice pour regrouper un ensemble simple de données.

x = simplecluster_dataset;
net = selforgmap([8 8]);
net = train(net,x);

Figure Neural Network Training (09-Aug-2025 13:41:06) contains an object of type uigridlayout.

view(net)

y = net(x);
classes = vec2ind(y);

Arguments d'entrée

réduire tout

Tailles des dimensions, définies par un vecteur ligne.

Nombre d'étapes d’apprentissage pour la couverture initiale de l'espace d'entrée, défini par un scalaire.

Taille du voisinage initial, définie par un scalaire.

Fonction de topologie des couches, définie par une fonction de topologie.

Fonction de distance entre les neurones, définie par une fonction de distance.

Arguments de sortie

réduire tout

Carte auto-organisatrice, renvoyée sous la forme d'un objet réseau.

Historique des versions

Introduit dans R2010b

Voir aussi

| |