SOM算法研究与应用 (2).docx

细心整理
SOM算法探究与应用
1引言
聚类分析在数据挖掘探究中占有重要的位置，聚类是一个将数据集划分为假设干类的过程，并使得同一个类内的数据对象具有较高的相像度而不同类的数据对象之间的区分较大。
聚类分析属于一种无老师监视的学习方输入信号模式特征的实力。SOM网络一般只包含有一维阵列和二维阵列，但也可以推广到多维处理单元阵列中去。下面只探讨应用较多的二维阵列。
输入层是一维的神经元，具有N个节点，竞争层的神经元处于二维平面网格节点上，构成一个二维节点矩阵，共有M个节点。输入层与竞争层的神经元之间都通过连接权值进展连接，竞争层接近的节点之间也存在着局部的互联。SOM网络中具有两种类型的权值，一种是神经元对外部输入的连接权值，另一种是神经元之间的互连权值，它的大小限制着神经元之间相互作用的强弱。在SOM网络中，竞争层又是输出层。SOM网络通过引入网格形成了自组织特征映射的输出空间，并且在各个神经元之间建立了拓扑连接关系。神经元之间的联系是由它们在网格上的位置所确定的，这种联系模拟了人脑中的神经元之间的侧抑制功能，成为网络实现竞争的根底。
3算法的设计
层次型构造，具有竞争层。典型构造：输入层，竞争层。如图2所示。

图2层次型构造
SOM网络的主要目的是将随意维数的输入转换为一维或二维的离散映射，并且以拓扑有序的方式自适应实现这个过程。
生物学根底试验说明，外界信息对于神经元的刺激并非是单一的，而是以某一细胞为中心的一个区域；并且刺激强度有强弱之分，大脑神经的刺激趋势和强度呈墨西哥草帽形态；神经元受刺激的强度以中心最大，随着区域半径的增大慢慢减弱；远离中心的神经元相反会受到抑制作用。依据这个原理，当某类模式输入时，输出层某节点(神经元)得到最大刺激而获胜，获胜者以及其四周节点的权值会向着输入模式向量的方向进展修正。随着输入模式的变更，相应获胜神经元也发生变更，网络即通过自组织的方式在大量样本数据的训练下，使得输出层特征图能够反映出输入样本数据的分布状况。
SOM网络接受的学习算法为无监视聚类法，它能将随意模式的输入在输出层映射成为一维或二维离散图形，并保持其拓扑构造不变。学习过程分为三个主要过程，分别是：
〔1〕竞争:对每个输入模式，网络中的神经元计算它们各自的判别函数的值。这个判别函数对神经元之间的竞争供应根底。具有判别函数最大值的特定神经元成为获胜者。
〔2〕合作:获胜神经元确定兴奋神经元的拓扑邻域的空间位置，从而供应相邻神经元合作的根底。
细心整理
〔3〕权值调整:兴奋神经元通过对它们突触权值的适当调整以增加关于该输入模式的判别函数值，从而使得该神经元对以后相像的输入有一个增加的响应。
4算法的实现

分类是在类别学问等导师信号的指导下，将待识别的输入模式支配到各自的模式类中，无导师指导的分类称为聚类，聚类的目的是将相像的模式样本划归一类，而将不相像的分别开来，实现模式样本的类内相像性和类间分别性。由于无导师学习的训练样本中不含期望输出，因此对于某一输入模式样本应属于哪一类并没有任何先验学问。对于一组输入模式，只能依据它们之间的相像程度来分为假设干类，因此，相像性是输入模式的聚类依据。

神经网络的输入模式向量的相像性测量可用向量之间的距离