Warning: file_get_contents(/data/phpspider/zhask/data//catemap/4/jquery-ui/2.json): failed to open stream: No such file or directory in /data/phpspider/zhask/libs/function.php on line 167

Warning: Invalid argument supplied for foreach() in /data/phpspider/zhask/libs/tag.function.php on line 1116

Notice: Undefined index: in /data/phpspider/zhask/libs/function.php on line 180

Warning: array_chunk() expects parameter 1 to be array, null given in /data/phpspider/zhask/libs/function.php on line 181
Neural network 自组织映射:神经元数量_Neural Network_Som - Fatal编程技术网

Neural network 自组织映射:神经元数量

Neural network 自组织映射:神经元数量,neural-network,som,Neural Network,Som,我最近遇到了自组织地图,我有以下疑问: 1) 神经元的数量与单位(簇)的数量有什么关系? 2) 如何从特定单元提取元素?可以将单元定义为集群。它非常类似于k-means(如果你知道的话)。每个单元都是一个集群(通过忽略自定义备选方案)。对于每个单元,找到最相似的实例。它们是该单元的集群成员。如果您了解Python,可以推断出我的SOM实现 原则上,SOM是一种基于原型的方法,其中每个神经元与权重向量相关。该权重向量的作用类似于原始k-means算法中的质心。主要区别在于SOM中的神经元通过矩阵结

我最近遇到了自组织地图,我有以下疑问:

1) 神经元的数量与单位(簇)的数量有什么关系?
2) 如何从特定单元提取元素?

可以将单元定义为集群。它非常类似于k-means(如果你知道的话)。每个单元都是一个集群(通过忽略自定义备选方案)。对于每个单元,找到最相似的实例。它们是该单元的集群成员。如果您了解Python,可以推断出我的SOM实现

原则上,SOM是一种基于原型的方法,其中每个神经元与权重向量相关。该权重向量的作用类似于原始k-means算法中的质心。主要区别在于SOM中的神经元通过矩阵结构相互连接。在一个简单的解释中,矩阵的每个节点对应于它自己的簇,因为它代表许多数据点。然而,在实践中,数据空间的区域包含点云,这些点云通常由多个神经元表示,这些神经元共同构成所谓的“超级”簇。SOM收敛后的一个常见阶段是将SOM单元分组为超级簇,这可以基于神经元之间的距离,使用聚类算法(如k-均值或人工聚类)来完成。输出将是神经元组,即识别属于相同组的点的超级簇

在这里,您可以找到一个非常有用的教程,介绍如何使用R中的SOM生成超级集群

神经元的数量与单位的数量有什么关系? 这些都是一样的。在SOM中,神经元被称为一个单位。赢得特定输入向量的单元称为其最佳匹配单元(BMU)。在学习过程中,神经元/单元相互竞争以获得输入向量

如何从特定单元提取元素? 训练SOM后,每个单元以它赢得的输入向量结束。因此,您可以拥有一个字典,每个单位坐标作为键,而输入向量作为成员。看看这里是怎么做的,方法
win\u map(self,data)
可以从经过训练的SOM中提取字典