public SOM(int WIDTH)
{
CurrentIteration = Iterations;
Dimension = WIDTH;
for (int row = 0; row < Dimension; ++row)
{
for (int col = 0; col < Dimension; ++col)
{
SomNode tmp = new SomNode(row, col, DepthDimension);
nodes.Add(tmp);
}
}
MapRadius = (2 * Dimension) / 3;
TimeConstant = CurrentIteration / Math.Log(MapRadius);
makeResRef();
}
// ищем наиболее похожего через минимальное расстояние по евклиду
SomNode BMU(List <double> inpt)
{
SomNode winner = null;
double LowestDistance = 1000000;
for (int i = 0; i < nodes.Count; i++)
{
double dist = nodes[i].GetDistanceEuclidean(inpt);
if (dist < LowestDistance)
{
LowestDistance = dist;
winner = nodes[i];
}
}
return(winner);
}
// Одна итерация по тестовому набору
public bool Epoch(List <List <double> > inpt)
{
if (done)
{
return(true);
}
if (--CurrentIteration > 0)
{
int ThisList;
switch ((Iterations - CurrentIteration)) //растягиваем по углам первые итерации что бы было нагляднее при монотонном базовом весе
{
case 0:
ThisList = 0;
break;
case 1:
ThisList = Dimension;
break;
case 2:
ThisList = (Dimension * Dimension) / 2;
break;
case 3:
ThisList = (Dimension * Dimension) - 1;
break;
default:
ThisList = rnd.Next(inpt.Count);
break;
}
// Ищем наиболее похожего
Winning = BMU(inpt[ThisList]);
// Постепенно уменьшаем радиус []
NeoghborhoodRadius = MapRadius * Math.Exp(-(double)(Iterations - CurrentIteration) / TimeConstant);
// Притеягиваем соседей в радиусе к BMU
for (int i = 0; i < nodes.Count; i++)
{
double DistBMUSQ = (Winning.X - nodes[i].X) *
(Winning.X - nodes[i].X) +
(Winning.Y - nodes[i].Y) *
(Winning.Y - nodes[i].Y);
double WidthSq = NeoghborhoodRadius * NeoghborhoodRadius;
if (DistBMUSQ < (WidthSq))
{
influence = Math.Exp(-(DistBMUSQ) / (2 * WidthSq));
nodes[i].AdjustWeights(inpt[ThisList], CurrentLearningRate, influence);
}
}
CurrentLearningRate = StartingLearningRate * Math.Exp(-(double)(Iterations - CurrentIteration) / CurrentIteration);
}
else
{
done = true;
}
return(true);
}
