自组织神经网络
多层感知器的学和分类是已知一定的先验知识为条件的，即网络权值的调整
是在监督情况下进行的。而在实际应用中，有时并不能提供所需的先验知识，这
就需要网络具有能够自学习的能力。Kohonen提出的自组织特征映射图就是这种
具有自学习功能的神经网络。这种网络是基于生理学和脑科学研究成果提出的。
脑神经科学研究表明：传递感觉的神经元排列是按某种规律有序进行的，这种排
列往往反映所感受的外部刺激的某些物理特征。例如，在听觉系统中，神经细胞
和纤维是按照其最敏感的频率分布而排列的。为此，Kohonen认为，神经网络在
接受外界输入时，将会分成不同的区域，不同的区域对不同的模式具有不同的响
应特征，即不同的神经元以最佳方式响应不同性质的信号激励，从而形成一种拓
扑意义上的有序图。这种有序图也称之为特征图，它实际上时一种非线性映射关
系，它将信号空间中各模式的拓扑关系几乎不变地反映在这张图上，即各神经元
的输出响应上。由于这种映射是通过无监督的自适应过程完成的，所以也称它为
自组织特征图。
在这种网络中，输出节点与其邻域其它节点广泛相连，并相互激励。输入节
点和输出节点之间通过强度Wij(t)相连接。通过某种规则，不断地调整Wij(t)，
使得在稳定时，每一邻域的所有节点对某种输入具有类似的输出，并且这聚类的
概率分布与输入模式的概率分布相接近。
完成自组织特征映射的算法较多。下面给出一种常用的自组织算法：
(1)权值初始化并选定邻域的大小；
(2)输入模式；
(3)计算空间距离dj(dj是所有输入节点与连接强度之差的平方和）。
(4)选择节点j，它满足min(dj)；
(5)改变j，和其邻域节点的连接强度；
(6)回(2)，直到满足dj(i)