自组织映射(Self-organizing map, SOM)通过学习输入空间中的数据，生成一个低维、离散的映射(Map)，从某种程度上也可看成一种 降维算法 。 SOM是一种 无监督 的人工神经网络。

A self-organizing map (SOM) or self-organizing feature map (SOFM) is an unsupervised machine learning technique used to produce a low-dimensional (typically two-dimensional) representation of a higher-dimensional data set while preserving the topological structure of the data.

2023年4月18日 · Self Organizing Map (or Kohonen Map or SOM) is a type of Artificial Neural Network which is also inspired by biological models of neural systems from the 1970s. It follows an unsupervised learning approach and trained its network through a competitive learning algorithm. SOM is used for clustering a

2015年8月14日 · 1981年芬兰 Helsink 大学的 T·Kohonen 教授提出一种自组织特征映射网 （Self-Organizing Feature Map ， SOFM ）， 又称 Kohonen 网 。 Kohonen 认为 ，一个神经网络接受外界输入模式时， 将会分为不同的对应区域， 各区域对输入模式具有不同的响应特征，而且这个 …

2022年1月6日 · 自组织映射 (self-organizing map, SOM)又称自组织特征映射、 Kohonen 网络，是一种竞争学习型的无监督神经网络。 SOM 将高维数据映射到具有简单几何结构和相互关系的低维离散空间 (通常是 2 2 维)中，映射过程能够维持输入数据在高维空间的拓扑结构；这是通过 邻域函数 (neighborhood function)的约束来实现的。 不同于一般神经网络的梯度更新， SOM 使用 竞争学习 (competitive learning)策略，依靠神经元之间的相互竞争逐步优化网络。 本文目录： 1. 构 …

2019年3月27日 · SOM（Self-Origanizing Maps），自组织映射网络，是一种基于神经网络的聚类算法。 有时候也称为 SOFM（Self-Origanizing Features Maps）。 SOM 是一个单层的神经网络，仅包含输入层和计算层。

Self-organizing feature maps (SOFM) learn to classify input vectors according to how they are grouped in the input space. They differ from competitive layers in that neighboring neurons in the self-organizing map learn to recognize neighboring sections of the input space.

2019年5月26日 · In this Chapter of Deep Learning, we will discuss Self Organizing Maps (SOM). It is an Unsupervised Deep Learning technique and we will discuss both theoretical and Practical Implementation from...

2025年2月21日 · 随着研究的深入，一种改进版的SOM算法——自组织特征映射（Self-Organizing Feature Map，SOFM）应运而生。 本文将深入探讨SOM和SOFM算法的原理、特点以及它们在各自领域的应用。

2017年12月9日 · Self-Organizing Feature Map (SOFM or SOM) is a simple algorithm for unsupervised learning. It can be applied to solve vide variety of problems. It quite good at learning topological structure of the data and it can be used for visualizing deep neural networks. This article explains how SOFM works and shows different applications where it can be ...