ANN – 自组织神经网络 (SONN)

自组织神经网络 (SONN)是人工神经网络中的一种无监督学习模型，称为自组织特征映射或 Kohonen 映射。这些特征图是在模型训练（基于竞争学习）期间生成的输入空间的二维离散形式。
这种现象与生物系统非常相似。在人的皮层中，多维的感觉输入空间（如听觉、运动、触觉、视觉、体感等）由二维图表示。这种高维输入到降维映射的投影被称为拓扑守恒。而这种拓扑保存映射可以通过自组织网络来实现。

为什么需要SONN？
这些自组织图用于低维高维数据的分类和可视化。

SONN架构：

• 层： SONN 有两层：全连接输入层和输出（映射）层。输出层称为 Kohonen 层
• 层内连接：输出层中的所有神经元都连接在具有某种拓扑结构的特定邻域中。这些是未加权的横向连接，但负责竞争学习。
• 横向反馈连接：这些连接根据与获胜神经元的距离产生兴奋和抑制作用。
  
  这是通过利用墨西哥帽子函数来实现的，该函数描绘了 Kohonen 层中神经元之间的突触权重。

SONN的阶段：

1. 学习阶段：构建地图；该网络是通过使用训练样本的竞争过程设计的。
2. 预测阶段：新数据的分类；对于新的数据样本，在融合地图上提供了一个特定的位置。

笔记：

• Kohonen Network 在分类数据上表现不佳，对于混合类型数据更糟。
• 无法开发数据的生成模型。
• 模型无法针对缓慢演化的数据进行训练。
• 模型的学习阶段非常耗时。
• 自组织神经网络不同于其他人工神经网络，它不是纠错学习方法（如梯度下降反向传播），它涉及模型训练的竞争学习。