%VQ avec données Iris
function vq_iris()
fid=fopen('iris.don', 'rt');
nb_cl=3;
nb_vec=150;
for i=1:nb_vec
   car(i,1)=fscanf(fid, '%f', 1);
   txt=fscanf(fid, '%c', 1);
   car(i,2)=fscanf(fid, '%f', 1);
   txt=fscanf(fid, '%c', 1);
   car(i,3)=fscanf(fid, '%f', 1);
   txt=fscanf(fid, '%c', 1);
   car(i,4)=fscanf(fid, '%f', 1);
   txt=fscanf(fid, '%c', 1);
	nom=fscanf(fid, '%s', 1);			%inutilisé
end
fclose(fid);

%Apprentissage compétitif non supervisé
for i=1:4							%initialisation des 3 vecteurs poids à la moyenne de 4 exemples, pour chaque classe
   w(1,i)=(car(1, i)+car(2, i)+car(3, i)+car(4, i))/4;
   w(2,i)=(car(50+1, i)+car(50+2, i)+car(50+3, i)+car(50+4, i))/4;
   w(3,i)=(car(100+1, i)+car(100+2, i)+car(100+3, i)+car(100+4, i))/4;
end
net=newc([0 1;0 1;0 1;0 1], nb_cl);	%création d'un réseau de 'nb_cl' neurones
net.trainParam.epochs=1000;
net.IW{1}=w;
%net.inputWeights{1,1}.initFcn='rands';
net=train(net,car');						%apprentissage

%Test par ré-application de la même base d'exemples
for j=1:nb_cl				%taux de reconnaissance pour chaque classe
   for i=1:nb_cl
   	compt(i)=0;
	end
	for i=1:nb_vec
   	ex=car(i,:);
   	a=vec2ind(sim(net, ex'));
   	if a==j
    	  compt(a)=compt(a)+1;
   	end
	end
	for i=1:nb_cl
		compt(i)
   end
end

%Affichage de Sammon
w=net.IW{1}
for i=1:4 										%on ajoute les poids des neurones aux vecteurs de données
   car(151, i)=w(1,i);
   car(152, i)=w(2,i);
   car(153, i)=w(3,i);
end
S = som_sammon(car,2,0.1,'errlimit');
clf 												%effacement figure
plot(S(151,1), S(151,2), '+r');
hold on
plot(S(152,1), S(152,2), 'or');
hold on
plot(S(153,1), S(153,2), 'xr');
hold on;
plot(S(1:50,1), S(1:50,2), '+'); 		%affichage des 50 premières données
hold on
plot(S(51:100,1), S(51:100,2), 'o'); 	%affichage des 50 suivantes
hold on
plot(S(101:150,1), S(101:150,2), 'x');
hold off