Editing 类脑计算 (section)

== 自组织映射（SOM）及无监督学习应用 ==
'''自组织映射'''（Self-Organizing Map，简称 SOM）是一种典型的'''无监督学习'''算法，由芬兰学者 Teuvo Kohonen 在1982年提出，故也称“Kohonen 网络”。SOM的作用是将'''高维数据映射到低维（通常二维）网格'''上，同时'''保持数据的拓扑结构'''关系 (探索自组织映射（SOM）：机器学习中的神奇之旅_self-organizing mapping method (som)-CSDN博客)。换句话说，SOM能以一种拓扑保真的方式把复杂数据投影成直观的二维“地图”，相似的数据会出现在地图上相邻或同一区域，不相似的数据则相距较远。这一过程无需类别标签，是完全数据驱动的。

SOM的原理受到大脑中感觉皮层拓扑映射的启发——例如大脑中的视觉皮层对视网膜具有拓扑映射关系。SOM网络由排列成二维网格的“神经元”节点组成，每个节点对应一个原型向量（权重向量)，维度与输入数据相同。训练时，对于每个输入样本，算法寻找'''最佳匹配单元'''（BMU，即权重最接近该样本的节点），然后让该节点及其邻近节点的权重'''朝向输入样本'''做微调。这意味着获胜节点及周围邻域逐渐调整自己来“响应”该输入。随着大量样本迭代训练，不同节点会特化对不同模式的响应，整个地图形成对输入数据空间的近似表示 (探索自组织映射（SOM）：机器学习中的神奇之旅_self-organizing mapping method (som)-CSDN博客)。重要的是，邻域的存在确保了'''拓扑连续性'''：相似样本往往激活相邻节点，从而在网络权重中保留了数据的拓扑结构。

SOM有许多应用场景，尤其擅长'''数据可视化'''和'''聚类分析'''。比如在降维可视化中，用SOM把高维图像特征映射到2D彩色平面，观察聚类结构；在语音识别等领域，SOM可用于构建'''特征空间拓扑图'''来分析不同语音的分布。由于SOM不需要预先标签，它可用于探索性数据分析，帮助发现潜在模式。总的来说，自组织映射展示了无监督类脑算法如何'''自发涌现出对数据的组织结构'''，这与大脑感知系统中无监督的自组织过程十分类似。