SOM（自组织映射）网络是一种自学习、自组织的神经网络模型，主要包含初始化、优胜邻域定义、权值调整等步骤。在训练过程中，邻域会随时间逐渐收缩，学习率降低至一定程度时训练结束。SOM网络的学习不足在于输入模式顺序会影响分类结果，且无法在不完全重新学习的情况下添加新类别。SOM网络的权系数向量能反映输入模式的中心，常用于数据的量化和学习向量量化器。
SOM网络的训练方法
SOM神经网络采用的算法称为Kohonen算法，它的基本思想是：网络输出层的各神经元通过竞争来获得对输入层的响应机会，最后只有一个神经元获胜。获胜的神经元对它临近的神经元的影响由近及远，由兴奋逐渐转为抑制，那些与获胜神经元有关的各连接权朝着有利于它竞争的方向转变。
j =1,2,3，，，m）,建立初始优胜邻域
jN和学习率初值。m为输出层神经元数目。
(2)接受输入
从训练集中随机取一输入模式并进行归一化处理，得到),
,n为输入层神经元数目。
(3)寻找获胜节点
计算
的点积，从中找到点积最大的获胜节点*j。如果输入模式未经归一化,应按式①计算欧式距离,从中找出距离最小的获胜节点
SOM神经网络采用的算法称为Kohonen算法，它的基本思想是：网络输出层的各神经元通过竞争来获得对输入层的响应机会，最后只有一个神经元获胜。获胜的神经元对它临近的神经元的影响由近及远，由兴奋逐渐转为抑制，那些与获胜神经元有关的各连接权朝着有利于它竞争的方向转变。
SOM网络的算法如下：
(1)初始化
对输出层各权向量赋予较小的随机数并进行归一化处理,得到,j =1,2,3，，，m）,建立初始优胜邻域
jN和学习率初值。m为输出层神经元数目。
(2)接受输入
从训练集中随机取一输入模式并进行归一化处理，得到),
,n为输入层神经元数目。 (3)寻找获胜节点
计算
的点积，从中找到点积最大的获胜节点*j。如果输入模式未经归一化,应按式①计算欧式距离,从中找出距离最小的获胜节点
(4)定义优胜邻域
设
(5)调整权值
对优胜邻域)(*tNj内的所有节点调整权值
式中
(6)结束判定
当学习率
SOM网络学习的不足有如下二点：
第一，当输入模式较少时，分类结果依赖于模式输入的先后次序。
第二，和ART网络不一样，SOM网络在没有经过完整的重新学习之前，不能加入新的类别。
Kohonen已经证明：在学习结束时．每个权系数向量wj都近似落入到由神经元j所对应的类别的输入模式空间的中心，可以认为权系数向量wj形成了这个输入模式空间的概率结构。所以，权系数向量Wj可作为这个输入模式的最优参考向量。
自组织特征映射网络由于有上述作用，所以很适宜用于数据的量化；故也称作学习向量量化器。
扫一扫
441
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
