神经网络算法与Java编程

第4章　自组织映射

本章介绍一种适合于无监督学习的神经网络结构：自组织映射（Self-Organizing Maps，SOMs）神经网络，也称为Kohonen网络。这种神经网络的特点是，在没有任何期望输出的情况下对数据记录进行分类。本章将继续探讨如何实现自组织映射网络，以及通过一个应用来证明其能力。本章的重点如下：

• 无监督学习神经网络
  • 竞争学习
• Kohonen自组织映射神经网络
  • 一维SOMs
  • 二维SOMs
• 无监督学习解决的问题
• Kohonen算法编程
• 实际问题

4.1　神经网络无监督学习方式

在第2章中，我们已经熟悉这种学习类型，现在将深入探讨这个学习范例的特征。无监督学习本质上旨在仅通过数据集本身所含信息找出数据模型。在这里，无监督学习算法会在没有任何误差度量的情况下调整参数（在神经网络中指权值），这是区分无监督学习和监督学习的关键特征。学习本身启发于神经学，相似的刺激会产生相似的反应。因此，将这种基本知识应用于人工神经网络，我们就可以说相似的输入数据产生相似的输出，并且这些输出是可以聚类的。

虽然这种学习可以用于数学领域，例如统计学，但其核心功能是被设计专用于处理机器学习问题，如数据挖掘和模式识别。神经网络是机器学习的子领域，倘若它们的结构允许迭代学习，那么神经网络将是应用机器学习概念的一个很好的框架。

人们希望无监督学习算法用于，当对数据没有明确目标并且需要找出数据间隐藏模型的情况。大多数无监督学习应用的目标是聚类任务，这意味着类似的数据点聚集在一起，不同的数据点在不同的聚簇里。此外，无监督学习还适用于降维，其中包括希望在较小维度域中对一些多维数据进行分类或重新组织。在参考文献[Duda et. al,2001;Hinton et.al,1991;Rummerlhart ...