假设我们有某种任意维度的模式，但是我们需要在一维或二维中使用它们。这样，特征映射的过程对于将宽模式空间转换为典型特征空间将非常有用。现在，出现了一个问题，为什么我们需要自组织特征图?原因是，除了具有将任意维转换为一维或二维的能力之外，它还必须具有保留邻居拓扑的能力。

Kohonen SOM中的邻居拓扑

可以有多种拓扑，但是以下两种拓扑使用最多：

矩形网格拓扑

此拓扑在距离2网格中有24个节点，在距离1网格中有16个节点，在距离0网格中有8个节点，这意味着每个矩形网格之间的差是8个节点。中奖单位用＃表示。

六边形网格拓扑

此拓扑在距离2网格中有18个节点，在距离1网格中有12个节点，在距离0网格中有6个节点，这意味着每个矩形网格之间的差为6个节点。中奖单位用＃表示。

建筑

KSOM的架构类似于竞争性网络。借助前面讨论的邻域方案，可以在网络的扩展区域进行培训。

训练算法

步骤1-初始化权重，学习率α和邻域拓扑方案。

步骤2-当停止条件不成立时，继续步骤3-9。

步骤3-对每个输入向量x继续步骤4-6。

步骤4-计算j = 1到m的欧几里德距离的平方

$$ D(j)\：= \：\ displaystyle \ sum \ limits_ {i = 1} ^ n \ displaystyle \ sum \ limits_ {j = 1} ^ m(x_ {i} \ :: \\：w_ {ij })^ 2 $$

步骤5-获得D(j)最小的获胜单位J。

步骤6-通过以下关系式计算获胜单位的新权重-

$$ w_ {ij}(新)\：= \：w_ {ij}(旧)\：+ \：\ alpha [x_ {i} \ ::-\：w_ {ij}(旧)] $$

步骤7-通过以下关系更新学习率α-

$$ \ alpha(t \：+ \：1)\：= \：0.5 \ alpha t $$

步骤8-减小拓扑方案的半径。

步骤9-检查网络的停止条件。