浅谈自组织映射算法

A.Star算法团队,专注于算法领域,欢迎大家交流与讨论。

浅谈自组织映射算法(SOM)0. 写在最最前

自组织映射算法(SOM)或许对大家来说比较陌生,实际上,她早在1981年就被提出,是人工神经网络(ANN)大家族的一员,与自适应共振理论(ART)、认知机网络(很遗憾,这个词仅在百度百科中出现,没有搜索到其他相关资料,疑为神经认知机误写)成兄弟关系。在笔者研究SOM之前,曾经用ART2实现过聚类(参考github/ART2py/python3),然而效果并不理想,从而转而研究SOM。事实上,SOM效果仅仅是一般,并不比现有的其他网络效果理想。尽管如此,SOM作为有意义的尝试,同样值得我们学习。欢迎转载,转载需表明出处。遵从知识共享协议。如有错误,欢迎指正。

1. 基本概念和流程

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网络的典型拓扑结构,图侵删

SOM网络的算法如下:

SOM流程图,图侵删

2. 优势和不足2.1 优点:

自适应性。SOM属于无监督网络,所以不区分训练集和测试集。

拓扑保形特性。通过神经元之间的竞争实现大脑神经系统中的“近兴奋远抑制”功能,并具有把高维输入映射到低维的能力。

2.2 局限:

网络训练时,有些神经元始终不能获胜,成为“死神经元”。

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。

当输入模式较少时,分类结果依赖于模式输入的先后次序。

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。

3.代码

matlab工具使用 参考 http://blog.sina.com.cn/s/blog_7671b3eb0100y4kl.html

python工具包 参考pySOM https://gitee.com/hoops/pySOM (为什么是这个网址呢?因为这个是我写的,哈哈~~)

参考文献

[1] 百度百科 https://baike.baidu.com/item/SOM%e7%ae%97%e6%b3%95/19453654 2017-12-9[2] CSDN http://blog.csdn.net/u011308691/article/details/19175675 2017-12-9[3] CSDN http://blog.csdn.net/wj176623/article/details/52526617 2017-12-9[4] 百度百科 https://baike.baidu.com/item/%e8%87%aa%e7%bb%84%e7%bb%87%e7%89%b9%e5%be%81%e6%98%a0%e5%b0%84 2017-12-9

您的支持是我们努力的动力,赞赏码在这里,欢迎打赏^_^

  • 发表于:
  • 原文链接:http://kuaibao.qq.com/s/20171210G0OGNW00?refer=cp_1026

扫码关注云+社区