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.

自组织映射 (SOM) 是众所周知的 神经网络 技术子类型,术语“自组织”是指在没有为输入模式提供相应的依赖输出值的情况下学习和组织信息的能力。 SOM 使用强大的模式分析和聚类方法，同时提供出色的可视化功能。 SOM虽然也是一种神经网络，但它并非基于损失函数不断更新参数的神经网络（传统神经网络），SOM更像是竞争性的神经网络，它会直接对每一个神经元进行操作。 其流程如下： SOM节点在数据空间任意定位，选择距离训练数据样本最近的节点（黄色高亮） …

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 ...

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 …

2024年11月11日 · 自组织特征映射（Self-Organizing Feature Map, SOFM）算法，作为一种强大的无监督学习算法，广泛应用于数据聚类、降维和模式识别等领域。 本文将深入探讨SOFM算法的原理，并通过Python实现该算法，结合实际案例进行分析，展示其在实际应用中的强大功能

2015年8月14日 · 自组织特征映射（Self-Organizing Feature Map，简称SOFM）神经网络是一种无监督学习的前馈网络，由Kohonen在1982年提出，主要用于数据的聚类和特征提取。 这种网络的设计灵感来源于大脑皮层中神经元的 自组织 过程，...

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7日 · 自组织映射（SOFM，Self-Organizing Feature Map）算法，又称为Kohonen地图，是一种基于竞争学习的无监督学习算法。 该算法由芬兰科学家Teuvo Kohonen在1980年代提出，广泛应用于数据可视化与聚类分析领域。

2025年2月5日 · SOM算法的变体——自组织特征映射（Self-Organizing Feature Map，SOFM）同样在数据分析和可视化领域发挥着重要作用。 本文将深入探讨SOFM与SOM算法的原理、差异以及在实际应用中的表现。