Самоорганизующиеся карты. 
Биоинформатика

Самоорганизующиеся карты {self organizing maps, SOM), или сети Кохонена, также являются однослойной моделью нейронной сети, однако, в отличие от сети Хопфилда, используются не для запоминания, а для кластеризации входных образов. Стоит отметить и отличие сетей Кохонена от многослойного перцептрона, заключающееся в том, что в данном случае система обучается кластеризации без учителя. Схема сети представлена на рис. 2.25. Из схемы очевидно, что самоорганизующаяся карта состоит из одного слоя нейронов (в некоторых реализациях это может быть куб из нейронов), но при этом каждый нейрон получает сигнал от всех компонент входящего вектора, а количество нейронов обусловливается требуемой степенью детализации кластеров.

Рис. 2.25. Пример архитектуры сети SOM:

показаны нс вес связи, каждый нейрон связан со всеми точками входного массива данных. Из всех нейронов активируется тот, для которого взвешенная сумма входов.

(формула (2.48)) окажется наибольшей Процесс обучения сети дайной архитектуры осуществляется следующим образом:

• 1) в начальный момент времени веса всех нейронов устанавливаются случайным образом;
• 2) для каждого образа из обучающего набора определяется нейрон, получающий максимальную активацию, так называемый нейрон-нобедитель. Активация происходит по (формуле

где у ft) — близость нейрона j к образу t (чем меньше, тем лучше); xfV — значение i-й компоненты входящего вектора образа t WjjW — значение i-го веса нейрона j на момент предъявления сети образа t

3) после определения нейрона-победителя веса всех нейронов из его окружения пересчитываются согласно следующему правилу:

где новое значение i-го веса нейрона j после предъявления сети образа t из обучающего набора; г — параметр скорости обучения. Область нейронов вокруг текущего, считающаяся его окружением, уменьшается в процессе обучения, как и параметр скорости обучения. Подобная архитектура сети и процедура обучения приводят к тому, что нейроны, активирующиеся от «близких» образов, располагаются группами (кластерами). После обучения сеть Кохонена позволяет также производить классификацию образов, не входивших в начальный (тренировочный) набор.

Нейронные сети являются довольно развитой областью современной прикладной математики. В рамках данного учебника мы рассмотрели лишь самые базовые подходы и понятия, связанные с нейронными сетями. Более подробное рассмотрение процессов, происходящих в искусственных нейронных сетях, а также возможных архитектурах сетей можно найти в дополнительной литературе.