自组织映射(SOM)聚类算法的研究

通过自组织映射神经网络实现的聚类算法能将任意维数的输入信号模式转变为一维或二维的离散映射.以拓扑有序的方式自适应实现这个变换。介绍自组织映射聚类算法的原理,通过实验进行仿真,结果表明自组织映射聚类算法是可行有效的。

维普资讯 doc.guandang.net

研究与开发

余

健

,郭平

(.山师范学院数信学院， 1韩潮州 5 14; .京师范大学信息科学学院，京 1 0 7 ) 20 1 2北北 0 8 5 摘要：通过自组织映射神经网络实现的聚类算法能将任意维数的输入信号模式转变为一维或二维的离散映射 .以拓扑有序的方式自适应实现这个变换。介绍自组织映射聚类算法的原理，通过实验进行仿真，结果表明自组织映射聚类算法是可行有效的。 关键词：自组织映射： OM;聚类 S

引言 在生物学中，自组织现象是指人脑在许多区域是有组织的 .同区域的作用各不相同，同的感官输不不

1自组织映射( O ) S M网络的原理 自组织映射的主要目的就是将任意维数的输入信号模式转变为一维或二维的离散映射，且以拓扑并有序的方式自适应实现这个变换。 S M网络中 .某个输出结点能对某一类模式作 O

入被传递给不同位置的脑细胞群，这种神经元所具有的特性并不是完全来自生物遗传，而是在很大程度上 依赖于后天的学习过程。

出特别的反应以代表该模式类，出层上相邻的结点输 能对实际模式分布中相近的模式类作出特别的反映， 当某类数据模式输入时，对某一输出结点产生最大刺激(获胜结点 )同时对获胜结点周围的一些结点产生，较大刺激。在训练的过程中，不断对获胜结点的连接

基于生物神经元的这一特性，兰人 K h n n于芬 o oe 18年提出 S 92 OM, S l O gnz gMapn (即 e - ra in p ig自组织 f i映射网络 ),或称为 S l O g i n e tr p ig e - ra z gF a eMa pn f n i u (自组织特征映射网络 )它是一种无指导训练的神经，网络，自组织的过程实际上就是一种无指导的学习。

权值作调整，同时对获胜结点的邻域结点的连接权值作调整；随着训练的进行，个邻域范围不断缩小，这直到最后 .只对获胜结点进行细微的连接权值调整。 具体实现步骤如下：

它通过自身训练，自动对输入模式进行聚类。它的拓 扑结构图如图 1所示。

①连接权值初始化：给从输入结点到输出结点的 所有权值赋予较小的随机数。时间计

数 tO=; 层层)

②对网络输入模式：k(1x, X ) x X' 2…,I; -,=/k ③计算输入与全部输出结点所连的权向量的 欧氏距离；

现

1

④具有最小欧氏距离的输出结点获胜； 计 ⑤调整输出结点所连接的权值以及其邻域内的算 输出结点所连权值： 机 ^

代

△=7 ).,f( ( 在图 1中，网络上层为输出结点( m个)按二维形，式排成一个结点矩阵；入结点处于下方，输入向输若

)^喝 ),{, .仃 6 E^ ( E 1 2….) f

总 二

⑥若还有输入样本数据， tt1转第②步。则=+, 算法中， (是可变学习速度， -t q)随时间的增加而减 小。也就是说，随着训练过程的进行，权值的调整幅度

第

量有 n个元素，则输入端共有 n个结点；所有的输入结点到所有的输出结点都有权值连接。

五 五

期

MDR OPTR加- e OENCMUE 27 3