SOM神经网络小记

      SOM神经网络也属于自组织型学习网络，只不过更特殊一点它属于自组织特征的映射网络。该网络是由一个全连接的神经元阵列组成的无教师，自组织，自学习的网络。kohonen认为，处于空间中不同区域的神经元有着不同的分工，当一个神经网络接受外界输入模式时，将会分为不同的反映域，各区域对于输入模式具有不同的相应特征。
它与竞争层网络的区别是在SOM神经网络中既可以学习训练数据输入向量的分布特征，也可以学习训练输入向量数据的拓扑结构。在权值进行更新时，不仅获胜的神经元的权值向量得到更新，而且其临近的神经元也按照某个临近函数进行更新。这就可以解释了SOM神经网络为什么可以实现数据分类，，当你输入数据集的时候，经过学习训练，得到了以一个最终获胜的权值向量为中心周围分布着与相关的数据，这样不断进行下去之后，本身有联系的数据就会聚集到一起，形成具有自己独特特地点的数据集。可以形象的说为：物以类聚。
SOM神经网络的网络结构分为输入层和映射层，两层之间实现全连接。
主要有一下4部分组成
1.处理单元阵列。用于接受事件的输入，并且形成对这些信号的“判别函数”
2.比较选择机制。用于比较“判别函数”，选择一个具有最大函数输出值的处理单元。
3.局部互联作用。用于同时被激励的处理单元极其最临近的处理单元
4.自适应过程。用于修正被激励的处理单元的参数，以增加其对应于特定输入“判别函数”的输出值。
事例分析
SOM神经网络应用于故障诊断
解释：对应于不同的故障就会对应于不同处理方法，然而一个完整的机器且具有多种系统组成，当不同的系统出现不同的问题时，这时候就可以应用SOM神经网络将这些数据聚集到一起经过仿真之后得到它属于预先设定好的第几种故障，从而达到修理过程。
实现过程
1.录入数据
2.网络建立和训练（这里可以设定多次训练查看最好的输出效果）
3.进行训练和仿真
4.网络分类预测
5.查看网络神经元的分布状况
6.进行测试
SOM神经网络执行的时候，每次执行后的结构不一样，原因是每一次激发的神经元不一样，但是无论激活那个神经元，最后的分类结果不会改变。

缺点：就是有的神经元的初始权值向量里输入向量太远以至于他从未在竞争中获胜，因而也从未得到学习，就形成了死神经元。

SOM神经网络在matlab中所涉及到的函数：

newsom();创建一个SOM神经网络

plotsom();绘制权值矢量

vec2ind();将单值矢量组变成下表矢量

compet();竞争传递函数

midpoint();中点权值初始化

learnsom();权值学习规则函数