SOM网络最大的特点是可以对没有类别标签的样本进行学习,也就是可以进行聚类分 析,因为经过多次迭代学习之后,相近的样本激活的胜元在空间中分布的区域相近,我们可 以将这个区域确定为一个类别。下面给出网络训练算法(采用欧氏距离) 1.初始化,随机赋值所有竞争层神经元的权值{vy},并且将每个神经元的权值矢量 归一化单位长度,也就是|W|=1,确定初始的邻域N2(O),以及学习次数T和 初始学习速率0<7(0)<1 2.输入训练样本归一化:X= 3.计算训练样本X与每一个神经元之间的距离,并确定胜元g: d=W()X=∑v(o)x dg=min(d, 1 调整连接权值: W()+m(x-w(O)]j∈N2() jEN,(o 5.对连接权值进行归一化:W(+0)(+ 6.重复2~5的过程,全部训练样本训练一遍; 7.进行下一次迭代,t=1+1,更新()和N2(),m()应该越来越小,最后变为 0,N2()的区域也应该越来越小,最后只包含一个胜元 8.重复2~7的过程,直到t=T为止 例6.3样本聚类SOM 网络最大的特点是可以对没有类别标签的样本进行学习，也就是可以进行聚类分 析，因为经过多次迭代学习之后，相近的样本激活的胜元在空间中分布的区域相近，我们可 以将这个区域确定为一个类别。下面给出网络训练算法（采用欧氏距离）： 1. 初始化，随机赋值所有竞争层神经元的权值 wij ，并且将每个神经元的权值矢量 归一化单位长度，也就是 1 Wj = ，确定初始的邻域 Ng (0) ，以及学习次数 T 和 初始学习速率 0 0 1    ( ) ； 2. 输入训练样本归一化： = X X X ； 3. 计算训练样本 X 与每一个神经元之间的距离，并确定胜元 g ： ( ) ( ) 1 N T j j ij i i d t w t x = = = W X  g j min  j d d = 4. 调整连接权值： ( ) ( ) ( ) ( ) ( ) ( ) ( ) , 1 , j j g j j g t t t j N t t t j N t  + −        + =     W X W W W 5. 对连接权值进行归一化： ( ) ( ) ( ) 1 1 1 j j j t t t + + = + W W W ； 6. 重复 2~5 的过程，全部训练样本训练一遍； 7. 进行下一次迭代， t t = +1 ，更新 (t) 和 N t g ( ) ，(t) 应该越来越小，最后变为 0， N t g ( ) 的区域也应该越来越小，最后只包含一个胜元。 8. 重复 2~7 的过程，直到 t T= 为止。 例 6.3 样本聚类