SOM网络

SOM网络的训练方法 
 
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网络的算法如下：

 (1)初始化 

对输出层各权向量赋予较小的随机数并进行归一化处理,得到,
j =1,2,3，，，m）,建立初始优胜邻域
jN和学习率初值。m为输出层神经元数目。 
(2)接受输入 
从训练集中随机取一输入模式并进行归一化处理，得到),,n为输入层神经元数目。 
(3)寻找获胜节点 
计算的点积，从中找到点积最大的获胜节点*j。如果输入模式未经归一化,应按式①计算欧式距离,从中找出距离最小的获胜节点 

  (4)定义优胜邻域
设为中心确定t时刻的权值调整域,一般初始邻域较大,训练过程中
随训练时间收缩。

(5)调整权值 
对优胜邻域)(*tNj内的所有节点调整权值

式中神经元i从0到n在j时刻的权值；
   

(6)结束判定 
当学习率时，结束训练；不满足结束条件时,转到步骤(2)继续。

SOM网络学习的不足有如下二点：

第一，当输入模式较少时，分类结果依赖于模式输入的先后次序。

第二，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。

Kohonen已经证明：在学习结束时．每个权系数向量w_j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w_j形成了这个输入模式空间的概率结构。所以，权系数向量W_j可作为这个输入模式的最优参考向量。

自组织特征映射网络由于有上述作用，所以很适宜用于数据的量化；故也称作学习向量量化器。