原理
- 聚類、高維可視化、數據壓縮、特征提取
- 自組織映射神經網絡本質上是一個兩層的神經網絡，包含輸入層和輸出層（競爭層）輸出層中神經元的個數通常是聚類的個數
- 訓練時采用“競爭學習”方式，每個輸入在輸出層中找到一個和它最匹配的節點，稱為激活節點。緊接着用隨機梯度下降法更新激活節點的參數，同時，激活節點臨近的點也根據他們距離激活節點的遠近而適當地更新（更新方式為“墨西哥帽式”）。這種競爭可以通過神經元之間的橫向抑制連接（負反饋路徑）來實現。
- 輸出層節點是有拓撲關系的（一維線陣、二維平面陣、三維柵格陣），且具有保序映射的特點
- 學習過程：
- 初始化
- 競爭：找到激活節點
- 合作：更新臨界節點參數
- 適應：適當調整相關興奮神經元連接權重，使獲勝神經元對相似輸入模型的后續應用的響應增強
- 迭代：回到競爭
與K均值的區別
- 不需要確定類的個數，因為聚類結果的實際簇數可以小於神經元的個數
- K均值找到一個最相似的類后，只更新這個類參數；自組織映射神經網絡更新了臨近的節點。所以K均值易受噪聲的影響，而后者准確性可能更低一些
- 自組織映射神經網絡的可視化較好，具有優雅的拓撲關系圖