网络结构 Kohonen依据这样的思想提出了一种神经网络,一般称为自组织特征映射网络 ( Self-Organizing Feature Map,SOM或SOFM),也被称为 Kohonen网络。SOM网络是一个两 层网络,包括输入层和竞争层,输入层的神经元个数等于特征的维数N,竞争层包含 M=m×m个神经元,组成一个方阵。输入层和竞争层之间是全互连的,竞争层的神经元 之间训练时存在着侧向抑制,识别时没有任何连接 o○oo/※争层 COOp 输入层 二、网络的识别过程 当SOM网络训练好之后,我们希望用网络中的某个区域对应某一类模式,当输入一个 待识模式时,计算输入特征矢量与网络中每个神经元权值之间的距离,以距离最小者作为胜 元,也就是兴奋程度最大的神经元,然后根据这个胜元所在的区域确定待识模式的类别 输入特征与神经元权值之间距离的计算可以采用多种形式,常用的有欧氏距离和矢量点 积。采用欧氏距离时以最小值确定胜元,采用矢量点积时则以最大值确定胜元。令输入特征 矢量为X=(x1,x2…x),第j个神经元的权值为W=(vn,m2…MN),则有 欧氏距离:d=|x-Ww|=|∑(x=m 矢量点积:d=WX=∑x 三、网络的学习过程 SOM网络的学习也是一个迭代的算法,在第t次迭代中要有一个以胜元为中心的邻域 N2(),在这个邻域内的神经元权值得到增强,邻域之外的神经元受到抑制或不增强。邻 域的形状可以选择方形、圆形或多边形。一、网络结构 Kohonen 依据这样的思想提出了一种神经网络，一般称为自组织特征映射网络 (Self-Organizing Feature Map, SOM 或 SOFM)，也被称为 Kohonen 网络。SOM 网络是一个两 层网络，包括输入层和竞争层，输入层的神经元个数等于特征的维数 N ，竞争层包含 M m m =  个神经元，组成一个方阵。输入层和竞争层之间是全互连的，竞争层的神经元 之间训练时存在着侧向抑制，识别时没有任何连接。 二、网络的识别过程 当 SOM 网络训练好之后，我们希望用网络中的某个区域对应某一类模式，当输入一个 待识模式时，计算输入特征矢量与网络中每个神经元权值之间的距离，以距离最小者作为胜 元，也就是兴奋程度最大的神经元，然后根据这个胜元所在的区域确定待识模式的类别。 输入特征与神经元权值之间距离的计算可以采用多种形式，常用的有欧氏距离和矢量点 积。采用欧氏距离时以最小值确定胜元，采用矢量点积时则以最大值确定胜元。令输入特征 矢量为 ( 1 2 , , , ) T N X = x x x ，第 j 个神经元的权值为 ( 1 2 , , , ) T Wj j j jN = w w w ，则有： 欧氏距离： ( ) 1 2 2 1 N j j i ji i d x w =   = − = −     X W  ； 矢量点积： 1 N T j j ij i i d w x = = = W X  。 三、网络的学习过程 SOM 网络的学习也是一个迭代的算法，在第 t 次迭代中要有一个以胜元为中心的邻域 N t g ( ) ，在这个邻域内的神经元权值得到增强，邻域之外的神经元受到抑制或不增强。邻 域的形状可以选择方形、圆形或多边形