Facebook
Twitter
Digg
Technorati
LinkedInMit Hilfe der Lernende Vektorquantisierung, hier speziell des RLVQ, können Charakteristika aus Daten gewonnen werden. Die so genannten Prototypen sind Vektoren, die eine Art Mittelwert der Daten einer Gruppierung / Label bilden.
|
1
2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 |
function [Neurons] = rlvq( Data, Labels, NeuronLabels, T, eta )
% RLVQ % % Data ... (m x dim)- Matrix der m Datenpunkte als dim-dimensionale Zeilenvektoren % Labels ... (m x 1) - Matrix der Label 1,2,...,k der m Datenpunkte % NeuronLabels ... (n x 1) - Matrix der Neuronenlabel aus 1,...,k % N ... Anzahl Neuronen % T ... Trainingsepochen % eta ... Lernrate % % Return: % Neurons ... (n x dim) - Matrix der n Neuronen % if size(NeuronLabels,1) < size(NeuronLabels,2) NeuronLabels = NeuronLabels'; end [m,dim] = size(Data); % Initialisieren w = rand( size(NeuronLabels,1) , dim ); ONES = ones( size(NeuronLabels,1), 1 ); %Lambda wird um eine Zehnerpotenz kleiner gewaehlt %damit w schneller adaptiert als Lambda (wird dies %nicht gemacht, "stuerzt" die Erkennungsrate ab ;-) lambda_eta = eta / 10; %Lambda Matrix (für jedes X^i gibt es ein Lambda_L) %Matrix erzeugen und zeilenweise normalisieren lambda = ones(size(NeuronLabels,1), dim); for n = 1:size(NeuronLabels,1) lambda(n,:) = lambda(n,:) / norm(lambda(n,:)); end; for t=1:T % Wähle ein Muster (x,y) for i = 1:m x = Data(i,:); y = Labels(i,1); %bestimme Gewinner. d ist Vektor mit Abstaenden von x zu jeden %Vektor aus w %Abstände anhand der Lambda-Matrix bestimmen (für alle Vektoren %bestimmen) und minimalen ermitteln => Gewinner zu Adaption d = sqrt(sum( (lambda.^2) .* (w - ONES*x).^2, 2)); [foo,j]=min(d); %der Gewinner wird optimiert (Vorberechnung x-w) %Gewinner und dazu gehörendes Lambda adaptieren xmw = (x-w(j,:)); if y == NeuronLabels(j,1) w(j,:) = w(j,:) + eta* xmw; lambda(j,:) = lambda(j,:) - lambda_eta* lambda(j,:) .* xmw.^2; else w(j,:) = w(j,:) - eta* xmw; lambda(j,:) = lambda(j,:) + lambda_eta* lambda(j,:) .* xmw.^2; end %nur das neue adaptierte Lambda muss normalisiert werden lambda(j,:) = lambda(j,:) / norm( lambda(j,:) ); end end Neurons = w; |
Kommentieren