som自組織神經網路
自組織神經網路競爭學習規則：winner take all。
how to find the winner？首先，對網路當前輸入模式向量x和競爭層中的個神經元對應的權重向量wj（對應j神經元）全部進行歸一化，使得x和wj的模為1；當前網路得到乙個輸入模式向量x時，競爭層的所有神經元對應的權重向量均與其進行相似性比較，並將 最相似的權重向量判為競爭獲勝神經元。最後進行神經元的輸出和訓練調整權重。
輸出層神經元數量設定和訓練集樣本的類別數相關，但是實際中我們往往不能清除地知道有多少類。如果神經元節點數少於類別數，則不足以區分全部模式，訓練的結果勢必將相近的模式類合併為一類；相反，如果神經元節點數多於類別數，則有可能分的過細，或者是出現「死節點」，即在訓練過程中，某個節點從未獲勝過且遠離其他獲勝節點，因此它們的權值從未得到過更新。
輸出層的節點排列成哪種形式取決於實際應用的需要，排列形式應盡量直觀反映出實際問題的物理意義。例如，對於旅行路徑類的問題，二維平面比較直觀；
對於一般的分類問題，乙個輸出節點節能代表乙個模式類，用一維線陣意義明確結構簡單
。基本原則是盡量使權值的初始位置與輸入樣本的大概分布區域充分重合，不要出現大量的初始「死節點」。
另一種可行的辦法是先計算出全體樣本的中心向量，在該中心向量基礎上迭加小隨機數作為權向量初始值，也可將權向量的初始位置確定在樣本群中（找離中心近的點）。
優勝領域設計原則是使領域不斷縮小，這樣輸出平面上相鄰神經元對應的權向量之間既有區別又有相當的相似性，從而保證當獲勝節點對某一類模式產生最大響應時，其領域節點也能產生較大響應。領域的形狀可以是正方形、六邊形或者菱形。優勢領域的大小用領域的半徑表示，r(
t)r(t)
的設計目前沒有一般化的數學方法，通常憑藉經驗來選擇
。下面是兩種典型形式： (t
)=c1
(1−t
t)r(
t)=c
1e−b
1t/t
r(t)=c1(1−tt)r(t)=c1e−b1t/t1c1
1b1
SOM自組織特徵對映神經網路 MATLAB
競爭層？正方形？看不出來資料屬於哪類？神經網路建立函式 一 newsom函式 net newsom pr,d1,d2,tfcn,dfcn,olr,osteps,tlr,pr r個輸入元素的最大值和最小值的設定值，r 2維矩陣 di 第i層的維數，預設為 5 8 tfcn 拓撲函式，預設為hextop...
自組織神經網路的實現
1 可以呼叫matlab工具箱裡的函式建立競爭性神經網路 主要進行分類 newc p,s,klr,clr p表示輸入的範圍，s 表示神經元的個數 klr表示kohonen學習速率，clr表示conscience的學習速率 p 0.1 0.8 0.1 0.9 0.2 0.9 0.1 0.8 net n...
機器學習筆記 自組織對映網路（SOM）
什麼是自組織對映？乙個特別有趣的無監督系統是基於競爭性學習，其中輸出神經元之間競爭啟用，結果是在任意時間只有乙個神經元被啟用。這個啟用的神經元被稱為勝者神經元 winner takes all neuron 這種競爭可以通過在神經元之間具有橫向抑制連線 負反饋路徑 來實現。其結果是神經元被迫對自身進...