SOM神经网络课程设计

SOM神经网络课程设计

11信工1班 崇文婷 20110532

【摘要】

研究和分析了自组织映射（SOM）神经网络的结构和算法，把SOM 络应用在 旋转机械故障诊断中，利用振动传感器拾取振动信号，通过对时域、频域的分析 来提取特征。通过对输入样本的“聚类”，实现对故障的自动分类。这种

故障的分类通过MATLAB 更容易实现可视化的界面。仿真结果表明该方法可

以对故障进行有效、准确地诊断，从而为旋转机械的故障诊断提供了一种新的途

径。

一.SOM神经网络结构

SOM人工神经网络是一个可以在一维或二维的处理单元阵列上，形成输入信号的特征拓扑分布，网络模拟了人类大脑神经网络自组织特征映射的功能。该网络由输入层和输出层组成，其中输入层的神经元个数的选取按输入网络的向量个数而定，输入神经元为一维矩阵，接收网络的输入信号，输出层则是由神经元按一定的方式排列成一个二维节点矩阵。输入层的神经元与输出层的神经元通过权值相互联结在一起。当网络接收到外部的输入信号以后，输出层的某个神经元便会兴奋起来。

1.1SOM网络模型由以下4个部分组成：

（1）处理单元阵列。由于接收事件的输入，并且形成对这些信号的判别函数。

（2）比较选择机制。用于比较判别函数，并选择一个具有最大函数输出值的处 理单元

（3）局部互联作用。用于同时激励被选择的处理单元及其最邻近的处理单元。

（4）自适应过程。用于修正被激励的处理单元的参数，以增加其对应于特定输

入判别函数的输出值。

二.SOM网络的训练方法

SOM神经网络采用的算法称为Kohonen算法，它的基本思想是：网络输出层的各神经元通过竞争来获得对输入层的响应机会，最后只有一个神经元获胜。获胜的神经元对它临近的神经元的影响由近及远，由兴奋逐渐转为抑制，那些与获胜神经元有关的各连接权朝着有利于它竞争的方向转变。

三.SOM网络的算法如下：

(1)初始化

对输出层各权向量赋予较小的随机数并进行归一化处理得到,2,1(ˆjwj)m,建立初始优胜邻域

(0)*jN和学习率初值。m为输出层神经元数目。

(2)接受输入

从训练集中随机取一输入模式并进行归一化处理，得到),2,1(ˆnpXp经元数目。

,n为输入层神

(3)寻找获胜节点

计算pXˆ和jwˆ的点积，从中找到点积最大的获胜节点*j。如果输入模式未经归一化,应按式①计算欧式距离,从中找出距离最小的获胜节点

(4)定义优胜邻域

设*j为中心确定t时刻的权值调整域,一般初始邻域)0(*j较大训练过程中)*tNj随训练时间收缩。

(5)调整权值

对优胜邻域内的所有节点调整权值时刻的权值；到在神经元 的函数。之间的拓扑距离个神经元与获胜神经元训练时间和邻域内

(6)结束判定

当学习率小于min，结束训练；不满足结束条件时，转到步骤(2)。

四.源程序如下：

%

clear

P=rands(2,2000)*0.5;

x=0:0.1:3.1416*2;

plot(sin(x),cos(x)); axis('equal')

hold on

plot(P(1,:),P(2,:),'.g','markersize',10); hold off

disp('按任一键继续')

pause

net=newsom(minmax(P),[5,5]); %画圆

%画输入点

%创建科荷伦网络

W0=rands(25,2)*0.1; %随机产生权值

figure(2)

plot(sin(x),cos(x));

axis('equal')

hold on

plotsom(W0') hold off

disp('按任一键继续')

pause

net.trainParam.epochs=25; net.trainParam.show=5; net.iw{1,1}=W0; net = train(net,P); %作神经元权值图

%最大训练次数

%显示间隔次数

%赋权值

%训练网络

figure(3)

plot(sin(x),cos(x),'--');

hold on

plotsom(net.iw{1,1},net.layers{1}.distances)

%画权值点及其与相邻权值点的连线

hold off

运行结果依次如图所示：

10.80.60.40.20-0.2-0.4-0.6-0.8-1-0.500.51

按任意键后：

Neuron Positions10.80.60.4position(2,i)0.20-0.2-0.4-0.6-0.8-1-0.50position(1,i)0.51

Weight Vectors10.80.60.40.2W(i,2)0-0.2-0.4-0.6-0.8-1-0.50W(i,1)0.51