som研究的若干新进展.pdfVIP

COMPUTER ●UJlAN …j置塑一壅垒照………一………一～……～ SOM研究的若干新进展 王艳华 (桂林电子科技大学信息与通信学院广西桂林541004) Maps，SOM)得到了广泛 【摘要】：作为智能计算的重要方法之一，自组织映射(se卜organjzing 的研究和应用。首先分析了SOM的产生背景、生物学基础、原理及基本算法，然后报告了SOM研究的 现状，最后对可能的发展方向进行了阐述和展望。 【关键词】：自组织映射；聚类；模式识别；数据可视化；故障诊断 0引言 SOM是芬兰学者T．Kohonen于1981年根据人脑 神经元的特点提出的一种竞争学习网络【11，学习的过 程可以无监督地、自组织地进行。许多学者对SOM算 法做了大量的改进，比较代表性的有FKCM(Fuzzy (矗)一雅鲮阵 Kohnen Networkl【2】，KohonenSOFM—Cf31， Clustering Vector LVQ(LeamQuantification)[41和VR2SOM[51。 FKCM主要是引入模糊隶属度，采用批处理方法，一 方面消除分类结果对样本输入顺序的依赖性，另一方 面使学习率随隶属度自适应变化，并避免对邻域的选 SOFM 择调整。KohonenSOFM—C既能保持Kohonen 拓扑不变性映射又能有效地避篼‘死神经元”[31。为克 服采用无监督学习算法带来的缺乏分类信息的弱点， ‘b)-iF面缝阵 提出了LVQ网络，它将有监督学习算法与竞争学习 图1SOM网络结构 思想相结合。为克服KohonenSOFM网络预先固定竞 争层神经元数目，在训练过程中动态确定，提出了 SOM网络的工作原理是将任意维输入模式在输 VR2SOM。目前，SOM在分类聚类、组合优化、数据分 出层映射为一维或二维模式，并保持其拓扑结构不变 析、模式识别、信号处理、数据挖掘、数据分类、知识获 【l】；网络通过对输入模式的反复学习可使权重向量空 取、语音识别、图像处理、过程监控、故障识别和预测 间与输入模式的概率分布趋于一致，即权重向量空间 等中得到了广泛的研究和应用【q叨【81[91It0][1”。 能反映输入模式的统计特征111。SOM网络采用的学习 1 SOM算法 算法是KOHONEN算法，它是在胜者为王算法的基础 1。1SOM原理 上加以改进而来的，其主要区别在于调整权向量与侧 生物医学和脑科学研究表明，大脑皮层的特定区 抑制的方式不同，在胜者为王算法中，只有竞争获胜 域会对外界的特定时空信息产生兴奋。它是通过后天 神经元才能调整权向量，其他任何神经元都无权调整 学习自组织形成的，这就是KOHONENSOM的生物111。而在SOM网络中，以获胜神经元为中心，对近邻神 学基础。 经元表现出兴奋性侧反馈，对远邻的神经元表现出抑 SOM网络共有两层，输入层和输出层。输出层神制性侧反馈，即优胜领域内的所有神经元按其离开获 经元的排列形式是一维线阵、二维平面阵甚至更高维 胜神经元的距离远近不同程度地调整权值IIJ。侧反馈 的图形，前两种类型是比较常见的，如图1所示。 强度随其与获胜神经元之间距离的变化大致如图2 基金项目：国家自然科学基金项