MATLAB:Кластеризация самоорганизующихся карт (SOM)

Question

Я пытаюсь сгруппировать некоторые изображения в зависимости от углов между частями тела.

Объектами, извлеченными из каждого изображения, являются:

angle1 : torso - torso
angle2 : torso - upper left arm
..
angle10: torso - lower right foot

Следовательно, входные данные представляют собой матрицу размером 1057х10, где 1057 обозначает количество изображений, а 10 обозначает углы расположения частей тела с торсом.Аналогично, тестовый набор представляет собой матрицу 821x10.

Я хочу, чтобы все строки во входных данных были сгруппированы в 88 кластеров.Затем я буду использовать эти кластеры, чтобы определить, в какие кластеры попадают TestData?

В предыдущей работе я использовал K-Означает кластеризацию это очень просто.Мы просто просим K-Means сгруппировать данные в 88 кластеров.И реализуйте другой метод, который вычисляет расстояние между каждой строкой в тестовых данных и центрами каждого кластера, затем выберите наименьшие значения.Это кластер соответствующей строки входных данных.

У меня есть два вопроса:

1. Возможно ли это сделать с помощью SOM в MATLAB?AFAIK SOM предназначены для визуальной кластеризации.Но мне нужно знать фактический класс каждого кластера, чтобы позже я мог пометить свои тестовые данные, вычислив, к какому кластеру они принадлежат.

2. У вас есть решение получше?

Answer 1

Самоорганизующаяся карта (SOM) рассматривается ли метод кластеризации как неконтролируемая вариация Искусственная нейронная сеть (ANN).Он использует конкурентное обучение методы обучения сети (узлы соревнуются между собой за наиболее сильную активацию к заданным данным)

Вы можете думать о SOM так, как если бы он состоял из сетки взаимосвязанных узлов (квадратной формы, шестиугольной, ..), где каждый узел представляет собой вектор весов N-dim (того же размера, что и точки данных, которые мы хотим сгруппировать).

Идея проста;учитывая вектор в качестве входных данных для SOM, мы находим узел шкаф для него затем обновите его веса и веса соседних узлов так, чтобы они приближались к весам входного вектора (отсюда название "самоорганизующийся").Этот процесс повторяется для всех входных данных.

Формируемые кластеры неявно определяются тем, как узлы организуются сами по себе и образуют группу узлов с одинаковыми весами.Их можно легко увидеть визуально.

СОМ в некотором роде похожи на Алгоритм K-средних но отличается тем, что мы не вводим фиксированное количество кластеров, вместо этого мы указываем количество и форму узлов в сетке, которые мы хотим, чтобы она адаптировала к нашим данным.

В принципе, когда у вас есть обученный SOM, и вы хотите классифицировать новый тестовый входной вектор, вы просто присваиваете его ближайшему (расстояние как мера подобия) узлу в сетке (Наилучшая Подходящая Единица Измерения BMU), и дать в качестве прогноза класс [большинства] векторов, принадлежащих этому узлу BMU.

Для MATLAB вы можете найти несколько наборов инструментов, которые реализуют SOM:

• Тот Самый Набор инструментов для нейронных сетей из MathWorks может быть использованный для кластеризация с использованием SOM (смотрите nctool инструмент кластеризации).
• Также стоит обратить внимание на Набор Инструментов SOM