%SOM神經網絡，20051210
%實驗類內距離和類內離差陣的關系
%======每5類DOA相差9，檢查對DOA的適應情況=DOA變化從3倍sita變化=== 識別率為   100 ========================
function [m0,m1,q]=som3(PP1,M_lei)
PP1=PP1
M_lei=M_lei;
m0=mean(PP1)
net=newsom(minmax(PP1'),[1 M_lei]);
			wl_init=net.IW{1,1};
			% plotsom(wl_init,net.layers{1}.distances);
			net.trainParam.epochs=40;
			net=train(net,PP1');
			%      net.iw{1,1}=P
			% y=sim(net,PP2')
			b2=net.iw{1,1};
			%計算各類距離中心之間的距離,當各類聚類中心之間的距離小于6（暫時），合并類別
			yy=dist(b2,b2');
			% for i=1:4
                SW0=[];%存儲各類 類內離差陣
                SW_1=[];%存儲各類 類內離差陣
                SW_2=[];%存儲各類 類內離差陣
                nj2=[];
		                plotsom(b2,net.layers{1}.distances);
						[a2,X,Y]=sim(net,PP1');
						T_SOM=full(a2);
						%計算分類后的參數，各類中心，類內平均距離，和總體平均距離
						% mj_0b2 為聚類中心,mj為樣本均值向量
						[r,c]=size(b2)
						mj_0=b2
						mj=b2;%各類的中心
						%計算各類中模式到類心的平均距離
						[r,c]=size(b2)
						[r0,c0]=size(PP1);
                        NN=r0;% 總的向量
						[r1,c1]=size(T_SOM)
						o4=[];          LL=[]
                        
						for i9=1:r    
                            PP1_T=[];PP1_T2=[];
                            PP1_T1=find(T_SOM(i9,:)==1);
                            PP1_T2=[PP1_T2 PP1_T1];
                            PP1_T=[PP1_T;PP1(PP1_T1,:)];%存儲各類對應的數據
                            q{i9}=PP1_T
                        end       
                           m1=mj  
                           m0=mean(PP1)