大家好,小豆豆来为大家解答以上的问题。网络结构设计师，网络结构设计这个很多人还不知道,现在让我们一起来看看吧！
1、9.2.2.1 拓扑结构SOFM网络一般有三种拓扑结构：六角形（hextop）结构、矩形（gridtop）结构和随机拓扑（randtop）结构。
2、（1）六角形拓扑结构神经元分布在六边形格点。
3、如，hextop（2，3）＝［0 1 0.5 1.5 0 1；0 0 0.866 0.8661.7321 1.7321］，其拓扑结构如图9.4所示。
4、图9.4 六角形拓扑结构（2）矩形拓扑结构生成一个格点阵列拓扑结构。
5、如，gridtop（2，3）＝［0 1 0 1 0 1；0 0 1 1 2 2］，其拓扑结构如图9.5所示。
6、图9.5 矩形拓扑结构（3）随机拓扑结构神经元排列格式为随机格点。
7、如，randtop（2，3）＝［0 0.8338 0.6732 1.47170.2030 0.6577；0.1940 0 0.7208 0.8619 1.3867 1.6807］，其拓扑结构如图9.6所示。
8、图9.6 随机拓扑结构9.2.2.2 距离函数SOFM网络有四种距离计算方式：1）Boxdist：两个位置向量之间的距离。
9、运算原理为d（i，j）＝max‖pi－pj‖，其中，d（i，j）表示距离矩阵中的元素，pi表示位置矩阵的第i列向量；2）Dist：两个神经元之间的欧几里得距离。
10、其计算法则是D＝sqrt（sum（x－y）2），其中x和y分别为列向量；3）linkdist：两个神经元之间的路径的步数和环节数，用于对给定神经元计算神经元之间的距离；4）Mandist：计算神经元之间的曼哈顿距离，D＝｜x1－x2｜＋｜y1－y2 ｜，其中xi，yi为点坐标。
11、9.2.2.3 学习函数1）Learnk函数：kohonen权值学习函数，通过给定的神经元的输入P、输出A和学习率LR，该函数按照dw＝LR*（P′－W）计算权值变化；2）learnsom：自组织映射权值学习函数，对于给定的神经元输入P、激活因子A2和学习率LR，通过dw＝LR*A2 *（P′－W）调整权值；3）learnis函数：instar权值学习函数，对于给定神经元的输入P、输出A和学习率LR，按照dw＝LR*A*（P′－W）调整权值；4）learnos函数：outstar权值学习函数，对于给定神经元的输入P、输出A和学习率LR，按照dw＝LR*（A－W）*P′调整权值。
12、9.2.2.4 学习次数学习次数对网络训练结果的影响最直接，学习次数太少，易出现网络训练不足，达不到精度的情况，学习次数太多，又会出现过拟合的现象，使训练精度下降。
13、9.2.2.5 神经元个数一般来讲，根据所分类的问题去设置神经元个数，而且对于SOFM网络而言，神经元个数要大于分类问题的类别数，但神经元个数又不能太大，否则，会使得聚类结果的判别变得繁琐。
本文到此分享完毕，希望对大家有所帮助。