/// <summary>
/// Berechnet den Wert der Nachbarschaftsfunktion
/// </summary>
/// <param name="z">Abstand (Norm) zum Gewinner-Neuron</param>
/// <param name="d">DistanzParameter (Radius)</param>
/// <param name="selFkt">Selektierte Nachbarschaftsfunktion</param>
/// <returns></returns>
private double hcFkt(double z, double d, net_hFkt selFkt)
{
double h = 0;
switch (selFkt)
{
case net_hFkt.hgauss1:
{
h = Math.Exp(-Math.Pow(z / d, 2));
break;
}
case net_hFkt.hcylinder:
{
h = z < d ? 1 : 0;
break;
}
case net_hFkt.hcone:
{
h = z < d ? 1 - (z / d) : 0;
break;
}
case net_hFkt.hcos:
{
h = z < d?Math.Cos((z / d) *(Math.PI / 2)) : 0;
break;
}
}
return(h);
}
public void train_RecordSet(List <RecordSet> myRecs, net_hFkt neighbourFkt, int Cycles)
{
for (int cyc = 0; cyc < Cycles; cyc++)
{
for (int i = 0; i < myRecs.Count; i++)
{
train_Pattern(myRecs[i].InputVec, net_hFkt.hgauss1, 5);
myRecs[i].AddRecordSetToNeuron(net_BmNeuron.BM_Neuron);
}
}
}
/// <summary>
/// Trainiert das Netz zu dem repräsentierten Eingabe-Pattern
/// </summary>
/// <param name="InputVec">Eingabe-Vektor X (Lern-Pattern)</param>
public void train_Pattern(Vector InputVec, net_hFkt neighbourFkt, double radius)
{
double mu = 0.6;
Calculate_BestMatching(InputVec, Convert.ToInt32(radius));
//auch nur so lange korrigieren wie Neuronen vorhanden, bzw. auch nur im Radius (abhängig von der Dimension) sich befinden
for (int i = 0; i < Neurons.Count && i < radius * Neurons[0].Position.Dimension * 2 + 1; i++)
{
Neurons[i].WeightVec = Neurons[i].WeightVec +
mu * hcFkt((net_BmNeuron.Position - Neurons[i].Position).Euklid(), radius == 0 ? 1 : radius, neighbourFkt) * (InputVec - Neurons[i].WeightVec);
}
}
