自组织映射网络SOM

1 SOM网络简介

Kohonen于1982年提出SOM(Self-Organizing Map， 自组织映射)网络。它是一种无监督的竞争学习网络，学习过程中不需要任何监督信息。SOM网络将高维数据映射到低维空间中，一般是一维或者两维，并且映射过程中保持数据的拓扑结构不变，即高维空间中相似的数据在低维空间中接近。

2 SOM网络结构

SOM由两层神经元组成：输入层和输出层。输入层的每个神经元和输出层的所有神经元连接。输入层的神经元数量由输入空间决定。输出层神经元的数量由用户定义，每个输出神经元对应一个位置信息（可以是一维空间的坐标或者二维空间中的坐标），并且每个输出神经元拥有一个权重向量，权重向量的维度等于输入神经元数。

对每个输入实例，计算其和所有输出神经元权重向量之间的距离，距离最小的输出神经元称为获胜神经元，也可以称为Best Match Unit，简写为BMU。该实例在低维空间中的位置就是获胜神经元所处的位置。SOM训练的目的就是找到一组权重向量，使得输入数据在低维空间中拓扑结构不变。

3 SOM网络学习算法

SOM网络的学习过程包含6个步骤：

1. 初始化所有的权重向量；
2. 从训练数据集中随机选择一个实例作为网络的输入；
3. 计算每个权重向量和输入向量之间的距离，取距离最小的权重向量对应的输出神经元作为当前输入的BMU；
4. 为BMU计算邻域半径：邻域半径开始比较大，随时间逐渐减小；
5. 对位于BMU邻域内的所有输出神经元，更新其权重向量；
6. 重复2-5直至N次。

3.1 初始化权重向量

用较小的随机数初始化权重向量。

3.2 计算BMU

计算每个权重向量和输入向量之间的距离，取距离最小的输入神经元作为BMU。

3.3 确定邻域

现在需要确定哪些输出神经元位于BMU的邻域内，因为下一步会对这些神经元更新权重向量。确定邻居神经元并不难，首先计算邻域半径，然后遍历所有的神经元，看是否位于半径内。

SOM学习算法要求邻域半径随时间递减，这可以通过下面的函数来满足：

其中σ0是邻域半径的初始值，τ1是时间常数。

3.4 更新权重向量

对位于BMU邻域内的所有神经元，根据下面的公式更新权重向量：

其中，x是当前输入向量，η(n)是学习率。

学习率随迭代次数增加不断减小，也采用类似公式(1)的计算方式：

可以取η0=0.1。

但是，权重更新不是简单地用公式(2)更新BMU邻域内的所有神经元，当前输入向量对输出神经元的影响需要随其距BMU的距离的增加而减小。所以更新公式应该是

其中，高斯函数e−d22σ2(n)项表示神经元和BMU之间的距离对其更新的影响。σ(n)是公式(1)中的邻域半径。

4 参考

[1] http://www.ai-junkie.com/ann/som/som1.html
[2] Self-Organized Formation of Topologically Correct Feature Maps. Teuvo Kohonen. 1982.