Гексагональная самоорганизующаяся карта в Python - PullRequest
Новая
       42

Гексагональная самоорганизующаяся карта в Python

7 голосов
/ 25 февраля 2010

Я ищу шестиугольную самоорганизующуюся карту на Python.

hexagonal tiling

  1. готовый модуль. Если таковой существует.
  2. способ построения гексагональной ячейки
  3. алгоритмы для работы с гексагональными ячейками в виде массива или чего-то еще

О : Самоорганизующаяся карта (SOM) или карта самоорганизующихся объектов (SOFM) - это тип искусственной нейронной сети, которая обучается с использованием обучения без контроля для получения низкоразмерного (обычно двумерного)

Ответы [ 2 ]

7 голосов
/ 16 мая 2014

Я знаю, что этому обсуждению 4 года, однако я не нашел удовлетворительного ответа в Интернете.

Если у вас есть что-то в виде массива, отображающего входные данные для нейрона и двумерный массив, связанный с расположением каждого нейрона.

Например, рассмотрим что-то вроде этого: 

hits = array([1, 24, 14, 16,  6, 11,  8, 23, 15, 16, 15,  9, 20,  1,  3, 29,  4,
              32, 22,  7, 26, 26, 35, 23,  7,  6, 11,  9, 18, 17, 22, 19, 34,  1,
              36,  3, 31, 10, 22, 11, 21, 18, 29,  3,  6, 32, 15, 30, 27],
             dtype=int32)
centers = array([[ 1.5       ,  0.8660254 ],
                 [ 2.5       ,  0.8660254 ],
                 [ 3.5       ,  0.8660254 ],
                 [ 4.5       ,  0.8660254 ],
                 [ 5.5       ,  0.8660254 ],
                 [ 6.5       ,  0.8660254 ],
                 [ 1.        ,  1.73205081],
                 [ 2.        ,  1.73205081],
                 [ 3.        ,  1.73205081],
                 [ 4.        ,  1.73205081],
                 [ 5.        ,  1.73205081],
                 [ 6.        ,  1.73205081],
                 [ 1.5       ,  2.59807621],
                 [ 2.5       ,  2.59807621],
                 [ 3.5       ,  2.59807621],
                 [ 4.5       ,  2.59807621],
                 [ 5.5       ,  2.59807621],
                 [ 6.5       ,  2.59807621],
                 [ 1.        ,  3.46410162],
                 [ 2.        ,  3.46410162],
                 [ 3.        ,  3.46410162],
                 [ 4.        ,  3.46410162],
                 [ 5.        ,  3.46410162],
                 [ 6.        ,  3.46410162],
                 [ 1.5       ,  4.33012702],
                 [ 2.5       ,  4.33012702],
                 [ 3.5       ,  4.33012702],
                 [ 4.5       ,  4.33012702],
                 [ 5.5       ,  4.33012702],
                 [ 6.5       ,  4.33012702],
                 [ 1.        ,  5.19615242],
                 [ 2.        ,  5.19615242],
                 [ 3.        ,  5.19615242],
                 [ 4.        ,  5.19615242],
                 [ 5.        ,  5.19615242],
                 [ 6.        ,  5.19615242]])

Так что я сделаю это, используя следующий метод: 

from matplotlib import collections, transforms
from matplotlib.colors import colorConverter
from matplotlib import cm
import matplotlib.pyplot as plt
import numpy as np

def plot_map(hits, n_centers, w=10):
    """
    Plot Map
    """

    fig = plt.figure(figsize=(w, .7 * w))
    ax = fig.add_subplot(111)
    hits_count = np.histogram(hits, bins=n_centers.shape[0])[0]
    # Discover difference between centers
    collection = RegularPolyCollection(
        numsides=6, # a hexagon 
        rotation=0, sizes=( (6.6*w)**2 ,),
        edgecolors = (0, 0, 0, 1),
        array= hits_count,
        cmap = cm.winter,
        offsets = n_centers,
        transOffset = ax.transData,
    )
    ax.axis('off')
    ax.add_collection(collection, autolim=True)
    ax.autoscale_view()
    fig.colorbar(collection)
    return ax

_ = plot_map(som_classif, matrix)

Наконец я получил этот вывод:

enter image description here

EDIT

Обновленная версия этого кода на https://stackoverflow.com/a/23811383/575734

6 голосов
/ 26 февраля 2010

У меня нет ответа для пункта 1, но есть некоторые подсказки для пункта 2 и 3. В вашем контексте вы моделируете не физическое 2D-пространство, а концептуальное пространство с плитками, имеющими 6 соседей. Это может быть смоделировано с помощью квадратных плиток, расположенных в столбцах с нечетными столбцами, смещенными вертикально на половину размера квадрата. Я попробую ASCII-диаграмму: 

 ___     ___     ___     
|   |___|   |___|   |___
|___|   |___|   |___|   |
|   |___|   |___|   |___|
|___|   |___|   |___|   |
|   |___|   |___|   |___|
|___|   |___|   |___|   |
    |___|   |___|   |___|

Вы можете легко видеть, что у каждого квадрата есть 6 соседей (кроме тех, которые, конечно, по краям). Это легко моделируется как двумерный массив квадратов, и правила для вычисления координат квадрата в позиции (i, j), где i является строкой, а j столбцом, довольно просты:

если j чётно: 

(i+1, j), (i-1, j), (i, j-1), (i, j+1), (i-1, j-1), (i+1, j-1)

если j нечетно: 

(i+1, j), (i-1, j), (i, j-1), (i, j+1), (i+1, j-1), (i+1, j+1)

(4 первых термина идентичны)

...