R/sESOM4BMUs.R

In GeneralizedUmatrix: Credible Visualization for Two-Dimensional Projections of Data

sESOM4BMUs <- function(BMUs, Data, esom, toroid, CurrentRadius,
                       ComputeInR=FALSE, Parallel=TRUE){
  #esom=sESOM4BMUs(bmpos,Data, esom, toroid=TRUE, CurrentRadius)=F
  #simplified ESOM Algorithmus for BestMatchingUnits  
  # INPUT
  # BMUs[1:Lines,1:Columns]               BestMAtchingUnits generated by ProjectedPoints2Grid()
  # Data[1:n,1:d]                         array of data: n cases in rows, d variables in columns
  # esom[1:Lines,1:Columns,1:weights]     wts in array form, see ListAsEsomNeurons()
  # toroid                                TRUE/FALSE - topology of points
  # CurrentRadius                         number betweeen 1 to x
  # OPTIONAL
  # ComputeInR                                  =T: Rcode, =F Cpp Code
    
  # OUTPUT
  # esom[1:Lines,1:Columns,1:weights]      abgeaenderte wts
  
   # author: MT 07/2015, based on getUmatrix4BMUs()
  #1.Editor MT 06/2016  
  NumberOfDataSamples <- dim(Data)[1] # number of inputvectors
    
  if(NumberOfDataSamples!=nrow(BMUs))
     stop(paste('NumberOfDataSamples',NumberOfDataSamples,'does not equal to Number of Best Matching units',nrow(BMUs)))
  # pos= 1:NumberOfDataSamples
  pos <- sample(1:NumberOfDataSamples,NumberOfDataSamples) # permutation of 1:n
  newData <- Data[pos,]  
  BMUnew=BMUs[pos,]
  if (is.vector(newData)){
      newData <- as.matrix(newData) # 1 x d-matrix instead of vector
  }
  # Initialisierungen werden aus der For-Schleife herausgestellt
  k <- dim(esom)[1] #Lines
  m <- dim(esom)[2] #Columns
  w <- dim(esom)[3] #Weights
  
  NumberOfweights <- dim(esom)[3]
  #meshgrid
  aux <- array(0,c(k,m,2))
  for (i in 1:k){
    aux[i,,1] <- i
  }
  for (j in 1:m){
    aux[,j,2] <- j  # Indexarray
  }
  # meshgrid generiert
  neigharray <- array(0,c(k,m,NumberOfweights))
  
  #GetBestMatch Initialisierungen
  difference <- esom
  if(!ComputeInR){
    if(Parallel){
      esomAngepasst=trainstepC2(esom,aux-1,newData,BMUnew-1,k, m, w, CurrentRadius,toroid)
    }else{
      esomAngepasst=trainstepC(esom,aux-1,newData,BMUnew-1,k, m,CurrentRadius,toroid)
    }
  }else{
    for(p in 1:NumberOfDataSamples){
      ## Begin One Learnstep for one inputvector (1 Datenzeile)
      DataSample=newData[p,]
      ##Keine BestMatchSuche
      bmpos=BMUnew[p,]
      # toroid map: different distances
      # example: on a toroid 5 x 4-grid the distance between the points (3,4) and (1,1) is sqrt(8)
      if (toroid){
        OutputDistances <- 0.5*sqrt(  (k-abs( 2*abs(aux[,,1]-bmpos[1])-k ))^2 + (m-abs( 2*abs(aux[,,2]-bmpos[2])-m ))^2)
      }else{
        OutputDistances <-  sqrt((aux[,,1]-bmpos[1])^2 + (aux[,,2]-bmpos[2])^2)
      } #end if toroid
      #Bestimme Nachbahrschaftsfunktion innerhalb Radius
      #  neighborfunction='kreis'
      neighmatrix=1-OutputDistances^2/(pi*CurrentRadius^2)
      neighmatrix[neighmatrix<0]=0
      neigharray=array(neighmatrix,c(k,m,NumberOfweights)) #Bringe auf gleiche Dimension wie esom und inputdiff
      
      #Das muesste auch vektoriesierbar sein, momentan klappts aber nur als for schleife 
      #Injeder Dimension der inputdiff matrize wirdein Wert des Datenvekotr abgezogen
      #dadurch wird defakto von jedem gewicht der datenvektor komplett abgezogen
      #das dunktioniert, weil R automatisch den Wert auf die korrekte Matrizengroesse vergroessert
      
      # inputdiff <- esom      
      # #Das muesste auch vektoriesierbar sein, momentan klappts aber nur als for schleife 
      # for (w in 1:NumberOfweights) { 
      #   #neigharray[,,w] <- neighmatrix #Nachbahrschaftsmatrix ist fuer alle Gewichtsvektoren konstant
      #   inputdiff[,,w] <- inputdiff[,,w]-DataSample[w]
      # } #end for 1:NumberOfweights  
      
      # #CurrentLearnrate is always 1
      inputdiff=Delta3DWeightsC(esom*1,DataSample) #MT: Ohne Multiplikation mit 1 ist esom==inputdiff, kA wieso
      
      esom <- esom-1*neigharray*inputdiff  
      ## End One Learnstep for one inputvector (1 Datenzeilen)
      
      # Hold BMUs
      #for(i in c(1:NumberOfDataSamples)){
        #esom[BMUs[i,1],BMUs[i,2],] = Data[i,]
        #esom[BMUs[i,1],BMUs[i,2],] = (CurrentRadius*Data[i,]+esom[BMUs[i,1],BMUs[i,2],])/(CurrentRadius+1)
      #} # end for hold bmus
      esomAngepasst=esom
    } #end for 1:NumberOfDataSamples
  }  
  return(esomAngepasst)
}