無導師學習神經(jīng)網(wǎng)絡的分類-礦井突水水源判別

無導師學習神經(jīng)網(wǎng)絡的分類——礦井突水水源判別無導師學習神經(jīng)網(wǎng)絡的分類——礦井突水水源判別1、案例背景如第25章及第26章所述，對于有導師學習神經(jīng)網(wǎng)絡，事先需要知道與輸入相對應的期望輸出，根據(jù)期望輸出與網(wǎng)絡輸出間的偏差來調(diào)整網(wǎng)絡的權值和閾值。然而，在大多數(shù)情況下，由于人們認知能力以及環(huán)境的限制，往往無法或者很難獲得期望的輸出，在這種情況下，基于有導師學習的神經(jīng)網(wǎng)絡往往是無能為力的。與有導師學習神經(jīng)網(wǎng)絡不同，無導師學習神經(jīng)網(wǎng)絡在學習過程中無需知道期望的輸出。其與真實人腦中的神經(jīng)網(wǎng)絡類似，可以通過不斷地觀察、分析與比較，自動揭示樣本中的內(nèi)在規(guī)律和本質，從而可以對具有近似特征(屬性)的樣本進行準確地分類和識別。本章將詳細介紹競爭神經(jīng)網(wǎng)絡與自組織特征映射(SOFM)神經(jīng)網(wǎng)絡的結構及原理，并以實例說明其具體的應用范圍及效果。近年來，國內(nèi)煤礦事故時有發(fā)生，嚴重危害了人們的生命和財產(chǎn)安全。其中，由于煤礦突水造成的事故不容忽視。因此，不少專家和學者致力于研究礦井突水事故的預防，突水水源的判別對預測礦井突水事故的發(fā)生有著重要的意義。相關研究表明，可以利用水化學法判別礦井的突水水源，其基本依據(jù)是:由于受到含水層的沉積期、地層巖性、建造和地化環(huán)境等諸多因素的影響，使儲存在不同含水層中的地下水主要化學成分有所不同。為了準確地判別突水水源，需要綜合多種因素，用的比較多的是“7大離子”溶解氧、硝酸根離子等。目前，有很多種判別突水水源的方法，如模糊綜合評判、模糊聚類分析、灰色關聯(lián)度法等，然而這些方法都要事先假定模式或主觀規(guī)定一些參數(shù)，致使評價的結果主觀性較強?，F(xiàn)采集到某礦的39個水源樣本，分別來自于4個主要含水層:二灰和奧陶紀含水層、八灰含水層、頂板砂巖含水層和第四系含水層(砂礫石成分以石灰?guī)r為主)。以每個水源樣本中的等7種離子的含量作為判別因素，試利用競爭神經(jīng)網(wǎng)絡和SOFM神經(jīng)網(wǎng)絡分別建立判別模型，并對模型的性能進行綜合評價。2、案例目錄:27.1理論基礎27.1.1競爭神經(jīng)網(wǎng)絡概述1.競爭神經(jīng)網(wǎng)絡的結構2.競爭神經(jīng)網(wǎng)絡的學習算法3.競爭神經(jīng)網(wǎng)絡的MATLAB工具箱函數(shù)27.1.2SOFM神經(jīng)網(wǎng)絡概述1.SOFM神經(jīng)網(wǎng)絡的結構2.SOFM神經(jīng)網(wǎng)絡的學習算法3.SOFM神經(jīng)網(wǎng)絡的MATLAB工具箱函數(shù)27.2案例背景27.2.1問題描述27.2.2解決思路及步驟27.3MATLAB程序實現(xiàn)27.3.1清空環(huán)境變量27.3.2訓練集/測試集產(chǎn)生27.3.3競爭神經(jīng)網(wǎng)絡創(chuàng)建、訓練及仿真測試27.3.4SOFM神經(jīng)網(wǎng)絡創(chuàng)建及仿真測試27.3.5性能評價27.3.6結果分析27.4延伸閱讀27.4.1競爭神經(jīng)網(wǎng)絡與SOFM神經(jīng)網(wǎng)絡性能對比27.4.2案例延伸27.5參考文獻3、主程序:%%清空環(huán)境變量clearallclc%%訓練集/測試集產(chǎn)生%導入數(shù)據(jù)loadwater_data.mat%數(shù)據(jù)歸一化attributes=mapminmax(attributes);%訓練集——35個樣本P_train=attributes(:,1:35);T_train=classes(:,1:35);%測試集——4個樣本P_test=attributes(:,36:end);T_test=classes(:,36:end);%%競爭神經(jīng)網(wǎng)絡創(chuàng)建、訓練及仿真測試%創(chuàng)建網(wǎng)絡net=newc(minmax(P_train),4,0.01,0.01);%設置訓練參數(shù)net.trainParam.epochs=500;%訓練網(wǎng)絡net=train(net,P_train);%仿真測試%訓練集t_sim_compet_1=sim(net,P_train);T_sim_compet_1=vec2ind(t_sim_compet_1);%測試集t_sim_compet_2=sim(net,P_test);T_sim_compet_2=vec2ind(t_sim_compet_2);%%SOFM神經(jīng)網(wǎng)絡創(chuàng)建、訓練及仿真測試%創(chuàng)建網(wǎng)絡net=newsom(P_train,[44]);%設置訓練參數(shù)net.trainParam.epochs=200;%訓練網(wǎng)絡net=train(net,P_train);%仿真測試%訓練集t_sim_sofm_1=sim(net,P_train);T_sim_sofm_1=vec2ind(t_sim_sofm_1);%測試集t_sim_sofm_2=sim(net,P_test);T_sim_sofm_2=vec2ind(t_sim_sofm_2);%%結果對比%競爭神經(jīng)網(wǎng)絡result_compet_1=[T_train'T_sim_compet_1']result_compet_2=[T_test'T_sim