51、无监督前馈模型：Kohonen自组织映射详解

无监督前馈模型：Kohonen自组织映射详解

1. 前馈无监督模型概述

前馈无监督模型涵盖了广泛的神经网络，具有多种应用。这里主要介绍三种广泛使用的模型：
- Kohonen自组织映射 ：也称为Kohonen网络、自组织特征映射或拓扑映射，旨在将高维空间映射到一维或二维空间，同时保留输入空间的拓扑结构。它具有很强的生物学合理性，主要用于需要保留输入和输出空间之间拓扑结构的应用，如控制、逆映射和图像压缩等。它是一种无监督模型，但可以通过添加补充层扩展为监督模型。此外，Kohonen模型还可作为向量量化器。
- 神经气 ：另一种向量量化算法，可被视为一种神经网络方法，因为它依赖于相同的自适应原理，可以用前馈图的形式表示，并且可以用与许多其他神经模型相同的形式来描述。与Kohonen映射不同的是，它不具有拓扑保留特性，但通常表现更好，最终失真误差更小。
- 新认知机 ：一个复杂的前馈模型，由多个层组成，每层包含大量神经元。其目标是通过自组织和强化原理自动检测二维点阵列中的特征。该网络对模式或其小部分的位置移动不敏感，因此也适用于处理失真的模式。主要用于特征提取和模式识别任务，例如光学字符识别（OCR）。

2. Kohonen自组织映射

2.1 简介

自组织特征映射（SOFM）由Teuvo Kohonen开发。在他的著作《Self-Organization and Associative Memory》中有对该模型、其生物学背景、实现方式和可能应用的详细描述。SOFM是一种具有生物学合理性的网络，其灵感来自于大脑皮层的某些区域对感觉神