初探人工神经网络（9）——什么是Kohonen网络？

上次文章介绍了kohonen网络的一些基本概念，本次将继续介绍。
1.SOM网络结构
SOM网络结构如图 1 所示,它由输入层和竞争层(输出层)组成。输入层神经元数为 n 竞争层由m 个神经元组成的一维或者二维平面阵列,网络是全连接的,即每个输入结点都同所有的输出结点相连接。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。网络通过对输入模式的 反复学习可以使权重向量空间与输入模式的概率分布趋于一 致,即概率保持性。网络的竞争层各神经元竞争对输入模式 的响应机会,获胜神经元有关的各权重朝着更有利于它竞争 的方向调整“即以获胜神经元为圆心,对近邻的神经元表现 出兴奋性侧反馈,而对远邻的神经元表现出抑制性侧反馈, 近邻者相互激励,远邻者相互抑制”

2.SOM算法具体过程
（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.SOM网络局限性
无导师学习现在发展的还不成熟,SOM 算法还存在一些局限性,比如:
(1)网络结构是固定的,不能动态改变;
(2)网络训练时,有些神经元始终不能获胜,成为“死神经元”;
(3)SOM 网络在没有经过完整的重新学习之前,不能加入新的
类别;
(4)当输入数据较少时,训练的结果通常依赖于样本的输入顺序; (5)网络连接权的初始状态、算法中的