MATLAB：自组织映射（SOM）聚类所需的帮助

Question

我试图根据身体各部分之间的角度对一些图像进行聚类。

从每个图像提取的特征是：

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

因此输入数据是大小1057x10的矩阵，其中1057所代表的图像的数量，和10只表示具有躯干的身体部分的角度。 类似地，testSet是821x10矩阵。

我希望输入数据中的所有行都能与88个集群聚类。 然后，我将使用这些群集来查找TestData落入哪些群集？

在以前的工作中，我使用了非常简单的K-Means clustering。我们只是要求K-Means将数据聚类成88个簇。并实现另一种计算测试数据中每行与每个集群中心之间距离的方法，然后选取最小值。这是相应输入数据行的集群。

我有两个问题：

（1） 是否有可能做到这一点使用SOM在MATLAB？ AFAIK SOM用于视觉聚类。但是我需要知道每个集群的实际类别，以便稍后可以通过计算它属于哪个集群来标记测试数据。

（2）您有更好的解决方案吗？

Answer 1

Self-Organizing Map (SOM)是一种聚类方法，被认为是Artificial Neural Network (ANN)的无监督变化。它采用竞争学习技术对网络进行训练（他们之间的节点竞相展示最强激活一个给定的数据）

你可以认为SOM的，就好像它是由相互连接的节点的网格（正方形，六边形，..），其中每个节点是权重的N-dim矢量（与我们想要聚类的数据点具有相同的尺寸大小）。

这个想法很简单;给定一个向量作为SOM的输入，我们发现节点对它更接近，然后更新它的权重和相邻节点的权重，以便它们接近输入向量（因此名称自组织）。对所有输入数据重复此过程。

形成的簇被隐式地通过所述节点如何组织起来，形成一组具有类似的权重的节点定义。他们可以很容易地看到。

SOM是类似于K-Means algorithm，但不同之处在于一个方式，我们不征收固定的聚类数量，而不是我们指定它，我们希望在网格节点的数量和形状适应我们的数据。

基本上，当你有一个训练SOM，并且要一个新的测试输入向量进行分类，只需将其分配到最近的（距离作为相似性度量）在网格节点（最佳匹配单元 BMU），并作为预测给出属于该BMU节点的[多数]类别的向量。

对于MATLAB，你可以找到许多实现SOM工具箱：

• 的Neural Network Toolbox从MathWorks公司可以为usedclustering using SOM（见nctool群集工具）。
• 另外值得一检查出是SOM Toolbox