SOM自组织神经网络

SOM自组织神经网络是神经网络的一种。个人感觉属于仿生学的一种方法。这种网络是基于生理学和脑科学研究成果提出的。与前向神经网络不同，它是一种无监督的学习。适用于数据聚类。

应用：数据聚类，数据降维（如映射高维数据到2维平面）

SOM自组织神经网络是两层结构，包括输入层和竞争层。为什么要用这种结构？因为Kohonen根据生理学的发现，认为神经网络在接受外界输入时，将会分成不同的区域，不同的区域对不同的模式具有不同的响应特征。如下图，人对猫和狗的概念储存在不同区域。

图1. SOM自组织神经网络结构

训练：输入层是输入样本的特征，通过不断地将所有样本数据反复输入网络进行训练，最终权值将会趋于稳定。学习方法为竞争学习，详细请见给出的参考文献。

测试：将新的样本输入，比如"猫"的样本，那么在图1中猫的区域内节点的值输出最大，说明正确识别了"猫"。

下面给出网上书上经常能看到的一幅图的说明。

图2. (1)至(8)为不断迭代权值w，计算出输出层的结果

假如输入的数据样本在N为空间上均匀分布（样本点在高维空间呈格子状），初始化时的权重w为随机，那么输出层也是随机的。如图2.(1)。通过不断的迭代修改权值w，输出层慢慢也呈现出均匀格子结构，如(1)-(8)变化。这个例子说明SOM神经网络可以把高维空间映射到平面，从而实现降维。

参考资料：

http://wenku.baidu.com/view/42df9e1c59eef8c75fbfb3b8.html （非常适合初学看，内容详尽，并给了若干例子加深理解）

http://en.wikipedia.org/wiki/Self-organizing_map （维基百科，陈述来龙去脉，稍微有点抽象）

http://www.len.ro/work/som-neural-networks/ （某网友给出的图片聚类实验）

博主e-mail：[email protected]