操作与其他的nnstart App基本一致；
点击clustering，next
区别，主要是只需要输入；将输入的数据导入后点击next；然后设置神经元个数，next；
点击train
同样可以生成相应的源代码，不再赘述；主要进行plots分析；
SOM simple hits
SOM的默认拓扑是六边形。这个数字显示了拓扑中的神经元位置,并指出了多少训练数据与每个神经元(集群中心)相关联。拓扑是一个10×10的网格,所以有100个神经元。神经元之间的最大碰撞次数是34。因此,在这个集群中有34个输入向量。
SOM input planes
图片显示了输入向量的每个元素(在本例中)的权重。它们是将每个神经元的每一个输入连接起来的权重的可视化。(深色代表更大的重量。)如果两个输入的连接模式非常相似,您可以假设输入是高度相关的。在这种情况下,输入1与输入2的连接非常不同。
SOM neighbor distances
在幅图中,蓝色六边形代表神经元。红线连接相邻的神经元。包含红色线区域的颜色表示神经元之间的距离。深色代表更大的距离,更浅的颜色代表更小的距离。一群黑暗的片段从较低的中心区域穿过右上角的区域。SOM网络似乎把这些花聚集在两个不同的群体中。
SOM topology
在这个图中,每个六边形代表一个神经元。网格是10×10,所以这个网络有100个神经元。每个输入向量中有四个元素,所以输入空间是四维的。重量向量(群集中心)落在这个空间内。
因为这个SOM有一个二维的拓扑结构,你可以在二维的集群中心中可视化两个维度的关系。SOM的一个可视化工具是权重距离矩阵(也称为U-matrix)。
SOM weight positions
plotsompos(net)将输入向量绘制成绿色的点,并展示了SOM如何通过显示每个神经元的权重向量的蓝灰色点来分类输入空间,并将相邻的神经元与红线连接起来。
SOM neighbor connects
plotsomnc(net)绘制了一个SOM层,显示神经元为灰色的斑块,以及它们与红线的直接邻域关系。