本文主要是介绍Self Organizing Maps 自映射人工神经网络，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
原文地址：Self Organizing Maps作者：shiqj1980
the ebook: http://davis.wpi.edu/~matt/courses/soms/
using som in excel:http://www.geocities.com/adotsaha/NN/SOMinExcel.html
人工神经网络技术在模式识别方面有着独特的优势，神经网络能够进行非线性数据处理，发现复杂的数据关系，其中，自组织映射神经网络（ Self-Organizing Map ， SOM ）可以对模式数据进行自动聚类。
自组织特征映射是 Kohonen 在 1990 年提出的类似大脑思维的一种人工神经网络方法，它是一种竞争学习算法，可以被认为是一种从 N 维模式空间各点到输出空间少数点的映射。这一映射由系统本身完成，没有外部的监督，即聚类是以自组织的方式实现的。
SOM 采用无教师学习训练，训练完成后，分类信息存储在网络各节点连接权值向量中，与权值向量相似的输入向量将分为一类。 SOM 包括一维和二维模型，二维 SOM 也称为 KFM(Kohonen Feature Mapping) 。它们的区别在于 KFM 考虑邻近神经元的相互作用，即获胜神经元对周围神经元由于距离的不同会产生不同的影响。
KFM 的结构如 图 8.3 所示 ，输入网络的是一个 n 维向量的所有 n 个数值，输出单元呈二维排列，个数为 p × p, 输入层与输出层的各单元之间是全连接的，并用 W 表示连接权重。 KFM 的学习过程就是对所有的 G 个样本向量进行迭代学习，直到权值 W 的变化小于某一个确定的阈值或迭代达到一定的次数。测试过程比较简单，对于每一个样本向量，计算其获胜神经元，输出单元相同的样本向量属于同一类。虽然 KFM 有学习过程，但是可以看到这种学习是从所有的样本中自动获取特征，没有教师的参与，因此称为无监督的学习方法。
Kohonen 认为，神经网络中邻近的各个神经元通过侧向交互作用彼此相互竞争，自适应地发展成检测不同信号的特殊检测器。该思想来自于大脑神经元的特性，即大脑皮层的神经元成二维空间排列，不同区域分工不同，各自对输入模式的不同特征敏感，神经元之间存在信息交互，主要是侧向交互，即某个经元对周围神经元之间存在由近到远的不同的影响作用，而不是简单的侧抑制作用。对邻近神经元的交互作用函数有巴拿马草帽型 （公式 8-22 ） 或矩形型 （公式 8-23 ） 。
其中 dcj 是输出单元 c 与邻近单元 j 之间在神经元平面上的距离， R 是交互作用半径。
KFM 的学习过程如下：
学习过程可以采用从全局到局部的策略。采取这种策略时，学习初期可设定较大的交互作用半径 R ，随着学习过程的不断推进，逐步减小 R ，直至不考虑对邻近单元的影响。邻域的形状可以是正方形或者圆形。
KFM 的聚类结果与 K 均值相似，它的优点是自动提取样本数据中的信息，同时也是一种全局的决策方法，能避免陷入局部最小，缺点在于必须实现人为设定类的数目与学习参数，而且学习时间较长。 KFM 方法克服了 K- 均值聚类的一些缺点：它应用类间的全局关系，能提供大数据集内相似性关系的综合看法，便于研究数据变量值的分布及发现类结构。而且，它具有更稳健更准确的特点，对噪声稳定，一般不依赖于数据分布的形状。
这篇关于Self Organizing Maps 自映射人工神经网络的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
