kohonen network 聚类
Kohonen网络是自组织竞争型神经网络的一种，该网络为无监督学习网络，能够识别环境特征并自动聚类。Kohonen
神经网络
是芬兰赫尔辛基大学教授
Teuvo Kohonen
提出的，该网络通过自组织特征映射调整网络权值，使神经网络收敛于一种表示形态，在这一形态中一个神经元只对某种输入模式特别匹配或特别敏感。Kohonen网络的学习是
无监督
的
自组织学习过程
，神经元通过无监督竞争学习使不同的神经元对不同的输入模式敏感，从而特定的神经元在模式识别中可以充当某一输入模式的检测器。网络训练后神经元被划分为不同区域，各区域对输入模型具有不同的响应特征。
神经网络
是芬兰赫尔辛基大学教授
Teuvo Kohonen
提出的，该网络通过自组织特征映射调整网络权值，使神经网络收敛于一种表示形态，在这一形态中一个神经元只对某种输入模式特别匹配或特别敏感。Kohonen网络的学习是
无监督
的
自组织学习过程
，神经元通过无监督竞争学习使不同的神经元对不同的输入模式敏感，从而特定的神经元在模式识别中可以充当某一输入模式的检测器。网络训练后神经元被划分为不同区域，各区域对输入模型具有不同的响应特征。
Kohonen神经网络算法工作机理为：网络学习过程中，当样本输入网络时，
竞争层上的神经元
计算
输入样本
与
竞争层神经元权值
之间的
欧几里德距离
，距离最小的神经元为获胜神经元。调整获胜神经元和相邻神经元权值，使获得神经元及周边权值靠近该输入样本。通过反复训练，最终各神经元的连接权值具有一定的分布，该分布把数据之间的相似性组织到代表各类的神经元上，使同类神经元具有相近的权系数，不同类的神经元权系数差别明显。需要注意的是，在学习的过程中，权值修改学习速率和神经元领域均在不断较少，从而使同类神经元逐渐集中。Kohonen网络训练步骤如下。
竞争层上的神经元
计算
输入样本
与
竞争层神经元权值
之间的
欧几里德距离
，距离最小的神经元为获胜神经元。调整获胜神经元和相邻神经元权值，使获得神经元及周边权值靠近该输入样本。通过反复训练，最终各神经元的连接权值具有一定的分布，该分布把数据之间的相似性组织到代表各类的神经元上，使同类神经元具有相近的权系数，不同类的神经元权系数差别明显。需要注意的是，在学习的过程中，权值修改学习速率和神经元领域均在不断较少，从而使同类神经元逐渐集中。Kohonen网络训练步骤如下。
版权声明：本文为sjpljr原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。