%利用競爭層網絡對樣本數據進行分類
range=[-1 1;-1 1];%樣本數據取值范圍
class=3;%樣本分為3類
num=10;%每類樣本取10個
std=0.1;%每類樣本數據的方差
P=nngenc(range,class,num,std);%產生樣本數據P，p中包括三類共10個二維矢量
plot(P(1,:),P(2,:),'*','markersize',5);
axis([-1.5 1.5 -1.5 1.5]);%繪制樣本數據分布圖
clc
klr=0.1;%權值學習速率
clr=0.01;%閾值學習速率
net=newc(range,class,klr,clr);%建立競爭層網絡
clc
net.trainParam.epochs=5;%訓練過程每5步顯示一次
net=train(net,P)
clc
w=net.IW{1};
hold on;
plot(w(:,1),w(:,2),'ob');%勾畫競爭層神經元權值
title('Input data &Weights');
clc
Y=sim(net,P);%利用原始樣本數據對網絡進行仿真
Y1=vec2ind(Y);
clc
%用不同符號標注數據分類結果
figure;
for i=1:30
    if Y1(i)==1
        plot(P(1,i),P(2,i),'*','markersize',5);
    elseif Y1(i)==2
        plot(P(1,i),P(2,i),'+','markersize',5);
    else
        plot(P(1,i),P(2,i),'x','markersize',5);
    end
    hold on;
end
axis([-1.5 1.5 -1.5 1.5]);
title('class1:*  class2:+  class3:x');
clc
%利用一組新的輸入數據檢驗網絡性能
p=[-0.4 0.8;-0.1 0.9]
y=sim(net,p);%利用輸入樣本數據對網絡進行仿真
y1=vec2ind(y)%將單位矢量組轉化為下標矩陣
echo off