相比于bp神经网络算法，som相对来说比较容易理解。自组织神经网络，是一种用于聚类的神经网络算法，从名字便可以看出，这是一种无监督式的算法，意味着，它不需要任何训练样本，便可以直接对输入样本根据其特征 分类，将具有相似特征的划分为一类。
1 算法结构
som算法是由两层网络组成，输入层与输出层（也叫作竞争层），大致示意图如下：
2 示例
下面我会给出一个例子来讲解som算法的原理。
现在我有8个输入样本，每个输入样本由两个特征值组成（x，y），表示在二维坐标系（横为x，纵为y）上如下图所示：
要求使用som算法将上图中的输入节点划分为两类。
解：如图所示：凭肉眼观察，8个输入样本很明显已经分为了粉红与淡蓝两类，但题意要求使用som算法来搞。所以思路如下：
| 1 2 3 4 5 6 7 8 9 10 11 12 | <1>.因为输入样本的特征为2（分别是x与y坐标值），共有8个输入样本，所以输入层的节点数为8（注意此处节点数不像BP神经网络那样将每个样本的特征数目作为输入样本的个数，这里将每个输入样本作为一个输入节点会更加容易理解）。 <2>.因为最终要划分为两类，所以需要定义两个输出样本，所以输出节点为2，且两个输出节点的特征数为2（x,y）。 <3>.根据以上规则随机初始化两个输出节点W。 <4>.for 每一个输入节点 INPUT{ for 每一个输出节点W{ 计算当前输入节点i与输出节点w之间的欧式距离； } 找到离当前输入节点i最近（欧式距离最小）的那个输出节点w作为获胜节点； 调整w的特征值，使该w的特征值趋近于当前的输入节点（有个阈值（步长）控制幅度）； } 衰减阈值（步长）； <5>. 循环执行步数<4>，直到输出节点W趋于稳定（阈值（步长）很小）。 |
没有太高深的数学计算，但这就是som算法的思路，我做了一个简单的动画来描述上面的计算过程。
两个黑色的节点即为输出节点，是随机生成的，随着算法的运行，你会发现，两个节点分别移动向两个类别之中(这里步长为0.15)。
结合着我贴出的python源代码，更加方便去理解这种算法。
| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 | #-*- coding:utf-8 -*- # som 实例算法 by 自由爸爸 import random import math input_layer = [ [ 39 , 281 ] , [ 18 , 307 ] , [ 24 , 242 ] , [ 54 , 333 ] , [ 322 , 35 ] , [ 352 , 17 ] , [ 278 , 22 ] , [ 382 , 48 ] ] # 输入节点 category = 2 class Som_simple_zybb ( ) : def __init__ ( self , category ) : self . input_layer = input_layer # 输入样本 self . output_layer = [ ] # 输出数据 self . step_alpha = 0.5 # 步长 初始化为0.5 self . step_alpha_del_rate = 0.95 # 步长衰变率 self . category = category # 类别个数 self . output_layer_length = len ( self . input_layer [ 0 ] ) # 输出节点个数 2 self . d = [ 0.0 ] * self . category # 初始化 output_layer def initial_output_layer ( self ) : for i in range ( self . category ) : self . output_layer . append ( [ ] ) for _ in range ( self . output_layer_length ) : self . output_layer [ i ] . append ( random . randint ( 0 , 400 ) ) # som 算法的主要逻辑 # 计算某个输入样本 与 所有的输出节点之间的距离,存储于 self.d 之中 def calc_distance ( self , a _input ) : self . d = [ 0.0 ] * self . category for i in range ( self . category ) : w = self . output_layer [ i ] # self.d[i] = for j in range ( len ( a_input ) ) : self . d [ i ] += math . pow ( ( a_input [ j ] – w [ j ] ) , 2 ) # 就不开根号了 # 计算一个列表中的最小值 ，并将最小值的索引返回 def get_min ( self , a_list ) : min_index = a_list . index ( min ( a_list ) ) return min_index # 将输出节点朝着当前的节点逼近 def move ( self , a_input , min_output_index ) : for i in range ( len ( self . output_layer [ min_output_index ] ) ) : self . output_layer [ min_output_index ] [ i ] = self . output_layer [ min_output_index ] [ i ] + self . step_alpha * ( a_input [ i ] – self . output_layer [ min_output_index ] [ i ] ) # som 逻辑 (一次循环) def train ( self ) : for a_input in self . input_layer : self . calc_distance ( a_input ) min_output_index = self . get_min ( self . d ) self . move ( a_input , min_output_index ) # 循环执行som_train 直到稳定 def som_looper ( self ) : generate = 0 while self . step_alpha >= 0.0001 : # 这样子会执行167代 self . train ( ) generate += 1 print ( “代数:{0} 此时步长:{1} 输出节点:{2}” . format ( generate , self . step_alpha , self . output_layer ) ) self . step_alpha *= self . step_alpha_del_rate # 步长衰减 if __name__ == ‘__main__’ : som_zybb = Som_simple_zybb ( category ) som_zybb . initial_output_layer ( ) som_zybb . som_looper ( ) |
解答完毕！
相信分析完这篇教程，som算法就没什么难的了。
这篇教程搞懂之后，努力方向应为som的完善算法sofm（自组织特征映射神经网络），这种算法相比于som算法，有两处不同：
1 . 步长的衰变方式。
2 . 每次输出层的获胜节点确定之后，不仅仅该获胜节点要调整自身特征值，获胜节点周围相近的节点也要做相应的调整，调整幅度的大小要视距离获胜节点的远近。
留给课下研究好了。
