代码

clc
clear

%数据样本
p = [0.9325 1.0000 1.0000 -0.4526 0.3895 1.0000 1.0000 1.0000;
    -0.4571 -0.2854 -0.9024 -0.9121 -0.0841 1.0000 -0.2871 0.5647;
    0.5132 0.9413 0.9711 -0.4187 0.2855 0.8546 0.9478 0.9512;
    0.1545 0.1564 -0.5000 -0.6571 -0.3333 -0.6667 -0.3333 -0.5000;
    0.1765 0.7648 0.4259 -0.6472 -0.0563 0.1726 0.5151 0.4212;
    -0.6744 -0.4541 -0.8454 1.0000 -0.8614 -0.6714 -0.6279 -0.6785;
    0.4647 0.8710 0.0712 -0.7845 -0.2871 0.8915 0.6553 0.6152;
    0.6818 1.0000 -0.6250 -0.8426 -0.6215 -0.1574 1.0000 0.7782];

%建立SOM网络，竞争层为36个神经元
net = newsom(minmax(p), [6 6]);
plotsom(net.layers{1}.positions)

%7次训练的次数
a = [10 30 50 100 200 500 1000];

%随机初始化一个7*8的向量
yc = zeros(7, 8);
for i = 1 : 7
    %训练次数
    net.trainParam.epochs = a(i);
    %训练网络和查看分类
    net = train(net, p);
    y = sim(net, p);
    yc(i,:) = vec2ind(y);
    plotsom(net.iw{1, 1}, net.layers{1}.distances);
    title('权向量')
end

yc
%网络分类预测
%测试样本输入
t = [0.9512 1.0000 0.9458 -0.4215 0.4218 0.9511 0.9645 0.8941]';

%用sim做网络仿真
r = sim(net, t);

%变换函数，将单值向量转化为下标向量
rr = vec2ind(r)

%查看拓扑学结构
plotsomtop(net)
title('SOM网络拓扑结构')

%查看邻近神经元直接的距离情况
plotsomnd(net)
title('邻近神经元之间的距离')

%查看每个神经元的分类情况
plotsomhits(net, p)
title('每个神经元的分类')

结果