Neural network 自组织映射：神经元数量

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