自組織競爭神經網絡

競爭神經網絡

競爭型網絡只有兩層，輸出層又被稱為核心層，在一次計算中只有一個輸出神經元獲勝，獲勝的神經元標記為1，其余神經元標記為0.

競爭神經網絡學習規則是由內星規則發展而來的Kohonen學習規則。

 自組織特征映射網絡

自組織特征映射網絡（Self-Organizing Feature Maps,SOFM）又稱自組織映射網絡（SOM）。與競爭性網絡非常相似，神經元都具有競爭性，都采用無監督學習方式。自組織映射網絡只包含輸入層、輸出層兩層網絡，但在輸出層引入網絡的拓撲結構，可以更好地模擬生物學中的側抑制現象。相鄰的輸出神經元也通過權值相連，輸出神經元以一維、二維或者多維的拓撲結構排列，網絡對輸入向量進行無監督訓練，輸出神經元根據距離的遠近決定抑制關系，最終使得連接權值的分布與輸入模式漸趨一致。當輸入新的樣本時，系統就以拓撲結構的形式輸出分類結果。

學習矢量量化網絡

當已知樣本的標簽時，將自組織競爭的思想和有監督學習相結合，這就是學習矢量量化網絡（Learning Vector Quantization,LVQ）。

demo坐標點的分類

% m_compet.m

%% 清理
clear,clc
close all

%% 樣本數據
x0=[4.1,1.8,0.5,2.9,4.0,0.6,3.8,4.3,3.2,1.0,3.0,3.6,3.8,3.7,3.7,8.6,9.1,...
    7.5,8.1,9.0,6.9,8.6,8.5,9.6,10.0,9.3,6.9,6.4,6.7,8.7;...
    8.1,5.8,8.0,5.2,7.1,7.3,8.1,6.0,7.2,8.3,7.4,7.8,7.0,6.4,8.0,...
    3.5,2.9,3.8,3.9,2.6,4.0,2.9,3.2,4.9,3.5,3.3,5.5,5.0,4.4,4.3];

%% 建立競爭網絡，兩個類別
net = competlayer(2);

%% 訓練
net.trainParam.epochs=400;
tic
net=train(net,x0);
toc

%% 計算結果
y=net(x0);
calsses = vec2ind(y);
fprintf('分類結果\n');
disp(calsses)
view(net)