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.

2024年12月2日 · 自组织映射（Self-Organizing Map, SOM）是一种无监督学习的神经网络模型，由芬兰科学家Teuvo Kohonen在1982年提出。它主要用于数据可视化和降维，尤其是在高维数据集上，可以将复杂的数据结构映射到二维或三维平面...

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） …

2023年7月4日 · 自组织映射 （Self-Organizing Maps，SOM）作为一种神经网络模型的灵感来自大脑皮层映射的拓扑性质。我们的视觉输入、触觉输入和听觉输入均非直接输入给大脑，而是先以某种拓扑方式映射到神经网络，信息经过映射之后再传入到大脑中进行处理，比如

2019年10月29日 · SOM的主要目标是将任意维度的输入信号模式 转换 为一维或二维离散映射，并以拓扑有序的方式自适应地执行这种变换。 因此，我们通过将神经元放置在一维或二维的网格节点上来建立我们的SOM。 更高的尺寸图也是可能的，但不是那么常见。 在竞争性学习过程中，神经元 有选择性地微调 来适应各种输入模式（刺激）或输入模式类别。 如此调整的神经元（即获胜的神经元）的位置变得有序，并且在该网格上创建对于 输入特征 有意义的 坐标系。 因 …

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 …

2023年8月27日 · 芬兰教授 Teuvo Kohonen 在1980年代提出的自组织地图或SOM提供了一种在保留数据拓扑的同时对数据集进行低维和离散化表示的方法，称为“地图”。 目标是学习一个以类似方式响应类似输入模式的地图。 它被学习为一个权重数组，它被解释为一个神经元数组，其中每个神经元本身都是一个与输入数据点具有相同维度的向量，如下所示。 神经元直接受到输入数据的影响。 权重数组中神经元之间的距离用于生成表征数据分布的映射。 SOM 具有轻松可视化特征行 …

2023年9月17日 · 自组织映射（Self-Organizing Maps，简称SOM）是一种无监督学习算法，用于将高维数据映射到低维空间中，同时保持数据的拓扑结构。 它的工作原理受到了人类大脑中神经元连接的启发，因此也被称为“Kohonen网络”，以其发明者Teuvo Kohonen的名字命名。

2018年12月21日 · SOM 即自组织映射，是一种用于特征检测的无监督学习神经网络。 它模拟人脑中处于不同区域的神经细胞分工不同的特点，即不同区域具有不同的响应特征，而且这一过程是自动完成的。 SOM 用于生成训练样本的低维空间，可以将高维数据间复杂的非线性统计关系转化为简单的几何关系，且以低维的方式展现，因此通常在降维问题中会使用它。 SOM 与其它人工神经网络不同，因为它们使用的是竞争性学习而不是错误相关的学习，后者涉及到反向传播和梯度 …