乙個神經網路接收外界輸入模式時，將會分為不同的對應區域，各區域對輸入模式有不同的響應特徵，而這個過程是自動完成的。其特點與人腦的自組織特性類似。som的目標是用低維（通常是二維或三維）目標空間的點來表示高維空間中的所有點，盡可能地保持點間的距離和鄰近關係（拓撲關係）。
自組織神經網路：是無導師學習網路。它通過自動尋找樣本中的內在規律和本質屬性，自組織，自適應地改變網路引數與結構。
結構：
som為層次型結構。典型結構是：輸入層加競爭層
輸入層：接收外界資訊，將輸入模式向競爭層傳遞，起「觀察」作用
競爭層：負責對輸入模式進行「分析比較」，尋找規律並歸類。
競爭學習規則就是從神經元細胞的側抑制現象獲得的，它的學習步驟如下:
(1)向量歸一化
對自組織網路中的當前輸入模式向量x、競爭層中各神經元對應的內星權向量
（2）尋找獲勝神經元
將（3）網路輸出與權調整
按wta學習法則，獲勝神經元輸出為「1」，其餘為0，即
只有獲勝神經元才有權調整其權向量
（4）重新歸一化處理
歸一化後的權向量經過調整後，得到的新向量不再是單位向量，因此要對學習調整後的向量重新歸一化，迴圈運算，直到學習率
som演算法原理：
som人工神經網路是乙個可以在一維或二維的處理單元陣列上，形成輸入訊號的特徵拓撲分布，結構如圖一所示。網路模擬了人類大腦神經網路自組織特徵對映的功能。該網路由輸入層和輸出層組成，其中輸入層的神經元個數的選取按輸入網路的向量個數而定，輸入神經元為一維矩陣，接收網路的輸入訊號，輸出層則是由神經元按一定的方式排列成乙個二維節點矩陣。輸入層的神經元與輸出層的神經元通過權值相互聯結在一起。當網路接收到外部的輸入訊號以後，輸出層的某個神經元便會興奮起來.
som神經網路模型
缺點：（1）使用者必選選擇引數、鄰域函式、網格型別和質心個數
（2）乙個som簇通常並不對應單個自然簇、可能有自然簇的合併和**。
（3）缺乏具體的目標函式
（4）som不保證收斂，儘管實際中它通常收斂
som的應用：
（1）汽輪發電機多故障診斷的som神經網路方法
（2）基於som神經網路的柴油機故障診斷
ART神經網路與SOM神經網路
今天學習了兩個神經網路，分別是自適應諧振 art 神經網路與自組織對映 som 神經網路。整體感覺不是很難，只不過一些最基礎的概念容易理解不清。首先art神經網路是競爭學習的乙個代表，競爭型學習是一種常用的無監督學習策略，在使用改策略時，網路的輸出神經元相互競爭，每一時刻只有乙個競爭獲勝的神經元啟用...
SOM自組織神經網路
som自組織神經網路 自組織神經網路競爭學習規則 winner take all。how to find the winner？首先，對網路當前輸入模式向量x和競爭層中的個神經元對應的權重向量wj 對應j神經元 全部進行歸一化，使得x和wj的模為1 當前網路得到乙個輸入模式向量x時，競爭層的所有神經...
神經網路原理
一 應用情況 神經網路在機器學習中應用比較廣泛，比如函式逼近，模式識別，分類，特徵提取 影象處理等方面。二 原理 1 神經元模型 神經元模型基本上包括多個輸入 類似突觸 這些輸入分別被不同的權值相乘 收到的訊號強度不同 然後被乙個數學函式用來計算決定是否激發神經元。還有乙個函式 也許是不變，就是複製...