自组织竞争神经网络

竞争神经网络

竞争型网络只有两层，输出层又被称为核心层，在一次计算中只有一个输出神经元获胜，获胜的神经元标记为1，其余神经元标记为0.

竞争神经网络学习规则是由内星规则发展而来的Kohonen学习规则。

 自组织特征映射网络

自组织特征映射网络（Self-Organizing Feature Maps,SOFM）又称自组织映射网络（SOM）。与竞争性网络非常相似，神经元都具有竞争性，都采用无监督学习方式。自组织映射网络只包含输入层、输出层两层网络，但在输出层引入网络的拓扑结构，可以更好地模拟生物学中的侧抑制现象。相邻的输出神经元也通过权值相连，输出神经元以一维、二维或者多维的拓扑结构排列，网络对输入向量进行无监督训练，输出神经元根据距离的远近决定抑制关系，最终使得连接权值的分布与输入模式渐趋一致。当输入新的样本时，系统就以拓扑结构的形式输出分类结果。

学习矢量量化网络

当已知样本的标签时，将自组织竞争的思想和有监督学习相结合，这就是学习矢量量化网络（Learning Vector Quantization,LVQ）。

demo坐标点的分类

% m_compet.m

%% 清理
clear,clc
close all

%% 样本数据
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];

%% 建立竞争网络，两个类别
net = competlayer(2);

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

%% 计算结果
y=net(x0);
calsses = vec2ind(y);
fprintf('分类结果\n');
disp(calsses)
view(net)