SOM 即自組織映射，是一種用于特征檢測的無監(jiān)督學習神經網絡。它模擬人腦中處于不同區(qū)域的神經細胞 分工不同的特點，即不同區(qū)域具有不同的響應特征，而且這一過程是自動完成的。SOM 用于生成訓練樣本的低維 空間，可以將高維數據間復雜的非線性統(tǒng)計關系轉化為簡單的幾何關系，且以低維的方式展現，因此通常在降維問題中會使用它。

SOM 的訓練過程：

紫色區(qū)域表示訓練數據的分布狀況，白色網格表示從該分布中提取的當前訓練數據。

(1) SOM 節(jié)點位于數據空間的任意位置，最接近訓練數據的節(jié)點(黃色高亮部分)會被選中。它和網格中的鄰近節(jié)點一樣，朝訓練數據移動。

(2)在多次迭代之后，網格傾向于近似該種數據分布(下圖最右)。

所有的神經元組織成一個網格，網格可以是六邊形、四邊形……，甚至是鏈狀、圓圈……

網絡的結構通常取決于輸入的數據在空間中的分布。 SOM的作用是將這個網格鋪滿數據存在的空間。

每個神經元由正方形表示，正方形內的粉紅色區(qū)域表示神經元最接近的數據點的相對數量 - 粉紅色區(qū)域越大，該神經元表示的數據點越多。

當我們將訓練數據輸入到網絡中時，會計算出所有權重向量的歐幾里德距離。權重向量與輸入最相似的神經元 稱為最佳匹配單元(BMU)。BMU 的權重和 SOM 網格中靠近它的神經元會朝著輸入矢量的方向調整。一旦確定 了 BMU，下一步就是計算其它哪些節(jié)點在 BMU 的鄰域內。

(1)將網格的神經元隨機定位在數據空間中。

(2)選擇一個數據點，按順序隨機或系統(tǒng)地循環(huán)遍歷數據集。

(3)找到最接近所選數據點的神經元。這種神經元被稱為最佳匹配單元(BMU)。

(4)將BMU移近該數據點。 BMU移動的距離由學習速率確定，學習速率在每次迭代后減小。

(5)將BMU的鄰居移動到更靠近該數據點的位置，遠處的鄰居移動得更少。使用BMU周圍的半徑來識別鄰居，并且在每次迭代之后該半徑的值減小。

(6)在重復步驟1到4之前，更新學習速率和BMU半徑。迭代這些步驟，直到神經元的位置穩(wěn)定。

SOM 通常用在可視化中。比如右圖，世界各國貧困數據的可視化。生活質量較高的國家聚集在左上方，而貧 困最嚴重的國家聚集在右下方。

SOM 的其它一些應用還包括：

數據壓縮

語音識別

分離音源

欺詐檢測

猜你喜歡：

怎樣計算一個算法的復雜度？

fast算法原理和實現方法【Open CV教程】

OpenCV圖像處理：基礎模塊和高層次模塊

黑馬程序員人工智能開發(fā)培訓