自组织映射SOM模型详解：无监督学习与特征提取

"SOM模型的说明-国防科大人工神经网络课件-神经网络导论第四章" 在神经网络领域，自组织映射（Self-Organizing Map, SOM）是一种无监督学习方法，由芬兰科学家Teuvo Kohonen提出。SOM模型主要用来对高维数据进行降维和可视化，它通过保持数据的拓扑结构来创建一个低维的有序特征映射。在SOM中，神经元在网络空间中的布局通常是二维的，但这种模型可以扩展到更高维度的映射。 SOM的工作原理基于竞争学习机制。当一个新的样本输入到网络时，所有神经元计算其与该样本之间的距离。如果一个神经元的权重与输入样本最接近（即最小距离），那么这个神经元就成为“最佳匹配单元”（Best Matching Unit, BMU）。然后，BMU及其邻近神经元的权重会根据某种学习规则更新，以更接近输入样本。随着时间的推移，网络的权重分布会逐渐反映出输入数据的分布，形成一个紧凑且有序的映射。 在描述中提到，假设样本输入和连接权值都已经归一化，这有助于确保比较过程中距离的公平性，因为归一化可以消除不同尺度特征的影响。选择最小距离的神经元就是选择具有最大输出的神经元，这意味着这个神经元对当前输入的响应最强。 SOM模型的特征映射具有以下特点： 1. 有序性：神经元之间的关系反映了输入数据的拓扑结构，相近的输入数据点在映射上的位置也会靠近。 2. 特征提取：由于SOM能保留数据的结构，所以它可以用于识别和提取输入数据的关键特征。 3. 特征变换：SOM可以将高维数据转换为低维表示，便于分析和理解。 在本课件的第四章中，除了SOM模型，还提到了其他两种无监督学习神经网络：自适应谐振理论（Adaptive Resonance Theory, ART）和对流神经网络模型（Concurrent Processing Network, CPN）。ART神经网络模型旨在模拟人类的认知过程，特别是其自稳定识别编码能力。ART模型包含多个版本，如ART1、ART2和ART3，分别对应不同的输入类型。在ART模型的工作流程中，有两个主要子系统：注意子系统和调整子系统，它们协同工作以适应和学习新的输入模式。 SOM模型是神经网络中一种强大的无监督学习工具，尤其适用于数据可视化和特征提取。而ART模型则试图模拟人类大脑的认知功能，实现对输入模式的自稳定识别。这两种模型都展示了神经网络在无监督学习中的强大潜力。