学習ベクトル量子化

特定のターゲットに応じて入力ベクトルを分類するように、LVQ ネットワークの学習を行います。

X を 10 個の 2 要素標本の入力ベクトル、C をこれらのベクトルが分類されるクラスとします。これらのクラスは IND2VEC でベクトルに変換して、ターゲット T として使用します。

x = [-3 -2 -2  0  0  0  0 +2 +2 +3;
      0 +1 -1 +2 +1 -1 -2 +1 -1  0];
c = [1 1 1 2 2 2 2 1 1 1];
t = ind2vec(c);

次に、データ点をプロットします。赤 = クラス 1、シアン = クラス 2 です。LVQ ネットワークは、隠れニューロンのあるベクトルのクラスターを表し、出力ニューロンのあるクラスターをグループ化して目的のクラスを形成します。

colormap(hsv);
plotvec(x,c)
title('Input Vectors');
xlabel('x(1)');
ylabel('x(2)');

ここで、LVQNET によって、4 個の隠れニューロンがあり、学習率が 0.1 の LVQ 層が作成されます。次に、入力 X およびターゲット T に対してネットワークが構成されます (通常、構成は TRAIN によって自動的に行われるため、この手順は不要です)。

net = lvqnet(4,0.1);
net = configure(net,x,t);

競合ニューロンの重みベクトルを以下のようにプロットします。

hold on
w1 = net.IW{1};
plot(w1(1,1),w1(1,2),'ow')
title('Input/Weight Vectors');
xlabel('x(1), w(1)');
ylabel('x(2), w(2)');

ネットワークの学習は、まず既定の数のエポックをオーバーライドした後に行います。完了したら、入力ベクトル '+' および競合ニューロンの重みベクトル 'o' を再プロットします。赤 = クラス 1、シアン = クラス 2 です。

net.trainParam.epochs=150;
net=train(net,x,t);

cla;
plotvec(x,c);
hold on;
plotvec(net.IW{1}',vec2ind(net.LW{2}),'o');

ここで、LVQ ネットワークを分類器として使用します。各ニューロンは異なるカテゴリに対応します。入力ベクトル [0.2; 1] を提示します。赤 = クラス 1、シアン = クラス 2 です。

x1 = [0.2; 1];
y1 = vec2ind(net(x1))

y1 = 2