自组织特征映射网络的分析与应用
自组织特征映射网络(SOM)课件
人工神经网络自组织特征映射网络简介二〇一二年十二月目录：1. 由自组织竞争神经网络谈起2. 自组织特征映射网基本概念3. 自组织特征映射网拓扑结构4. 自组织特征映射网学习算法5. 自组织特征映射网的应用从自组织竞争神经网络谈起：此类网络是模拟生物神经系统“侧抑制”现象的一类人工神经网络。
自组织特征映射网是此类网络的主要类型之一。
在生物神经系统中，存在着一种“侧抑制”现象，即当一个神经细胞兴奋后，会对其周围的神经细胞产生抑制作用。
这种“侧抑制”使神经细胞之间呈现出竞争。
开始时可能多个细胞同时兴奋，但一个兴奋程度最强的神经细胞会逐渐抑制周围神经细胞，其结果使其周围神经细胞兴奋度减弱，从而兴奋度最高的细胞是这次竞争的“胜者”，而其他神经细胞在竞争中失败。
自组织竞争神经网络就是模拟上述生物神经系统功能的人工神经网络。
如右图所示，输出层各神经元之间都有双向连接线，各连接线被赋予相应的权值。
从而实现对生物网络神经元相互竞争和抑制现象的模拟。
x1x2x i ············自组织竞争神经网络通过对“侧抑制”现象的模拟，具备自组织功能，能无导师学习。
自组织功能无导师学习 自组织竞争神经网络的一大特点是：具有自组织功能，能够自适应地改变网络参数和结构，从而实现无导师学习。
自组织竞争网络无导师学习方式更类似于人类大脑神经网络的学习，大大拓宽了神经网络在模式识别和和分类上的应用。
无导师指导的分类称为聚类，由于无导师学习的训练样本中不含有期望输出，因此没有任何先验的知识。
特殊网络结构 自组织竞争网的无导师指导学习是通过其特殊的网络结构实现的。
自组织竞争网在结构上属于层次型网络，共同特点是都具有竞争层。
自组织竞争网络的竞争层，各神经元之间存在横向连接，各连接被赋予权值。
通过竞争学习规则，达到自组织，实现对输入样本的自动分类。
自组织特征映射网的应用
基于自组织特征映射网的灰度图像二值化方法摘要：基于自组织特征映射网的灰度图二值化方法，所采用的自组织特征映射网络输入层只含有一个节点，其输入z为图像像素灰度值。
输出层是两个节点组成的一维阵列，输出Y=[y1,y2]=[0,255]，由于输出层只有两个节点，所以网络的训练算法中不需考虑侧反馈。
关键词：SOFM，自组织特征映射网，灰度图像，二值化一、SOFM 网络结构和原理SOFM网络结构自组织特征映射（SOFM）神经网络是芬兰神经网络专家Kohonen于1981年提出的，该网络的出发点是模拟大脑皮层中具有自组织特征的神经信号传送过程，属于无导师学习的竞争型神经网络。
其网络结构如图1所示，由输入层和竞争层组成，输入层由N个神经元组成，竞争层由M个输出神经元组成，且形成一个二维阵列。
输入层与竞争层各神经元之间实现全互连接，竞争层之间实行侧向连接。
网络根据其学习规则，对输入模式进行自动分类，即在无导师情况下，通过对输入模式的自组织。
学习，抽取各个输入模式的特征，在竞争层将分类结果表示出来。
图1SOFM 的基本原理SOFM 的基本原理是：当某类模式输入时，输出层某节点得到最大刺激而获胜，获胜节点周围的节点因侧向作用也受到刺激。
这时网络进行一次学习操作，获胜节点及周围节点的连接权值向量朝输入模式的方向作相应的修正。
当输入模式类别发生变化时，二维平面上的获胜节点也从原来节点转移到其它节点。
这样，网络通过自组织方式用大量样本数据来调整其连接权值，最后使得网络输出层特征图能够反映样本数据的分布情况。
SOFM网络的主要特性为：1）自组织排序性质，即拓扑保持能力；2）自组织概率分布性质；3）以若干神经元同时反映分类结果，具有容错性；4）具有自联想功能。
SOFM网络的主要功能是实现数据压缩、编码和聚类，实际应用包括：模式识别、过程和系统分析、机器人、通信、数据挖掘以及知识发现等。
二、基于SOFM的图像二值化方法基于自组织特征映射网的灰度图二值化方法，所采用的自组织特征映射网络输入层只含有一个节点，其输入z为图像像素灰度值。
自组织特征映射神经网络(SOM)
二、学习算法
1 算法 I: (i) 初始化：
- 各权矢量
W j 的确定
wji (0) ← Small random numbers（也可根据先验知识）； , k ← 0; (ii) 输入 X(k) , 对 W 做下述操作： j c 求出 与 X(k) 最接近的权矢量 W ， q 2 1/ 2 min{ W j − X (k ) = Wq − X (k ) = d q , ( X − Y = ( ∑ i ( xi − yi ) ) ) j d 定义单元 q 所在的邻域为 Nq (tk ), 将 Nq (tk ) 中各单元的权进行修改, 其它权值不变:
的改进使其与当前单元对应的权值修改次数有关随修改次数增加使关于算法的收敛性简述设可将输入样本集合划分为每个中有一个中心矢量聚类中心在物理上竞争学习算法competitivelearningcl典型的无教师学习unsupervisedlearning算法
CH.6
自组织特征映射神经网络
Neural Network
⎡P ⎢ 1,1 ⎢ P2,1 ⎢ P ⎢ ⎣ 3,1
共7396个训练矢量。 码本规模：N=512 用 SOM 网络进行矢量量化，实现图像数据压缩
(3) 学习算法
(取定 L、N) (i) 初始化： Wj (0) ← [0,255] 之间的随机数; (ii) 构造图像矢量样本集 { X(k) }, (iii) 输入 X(k), 由各 U j计算出 (iv) 由输出单元 U 在所有 out (v) (vi)
d1 U1
…
dj
Uj
Wj
… U N
dN
SOM
xn
dj
中，找出最小距离
(3) 于是令：
⎧1 , if j = q yj = ⎨ ⎩0 , if j ≠ q
基于自组织特征映射网络矢量量化图像压缩的研究与实现
基于自组织特征映射网络矢量量化图像压缩的研究与实现摘要：在介绍矢量化和自组织特征映射神经网络的基础上，针对基于自组织特征映射神经网络的矢量化算法，在初始码书生成、获胜神经元搜索以及学习速率调整等方面对图像压缩进行研究。
结果表明，采用矢量量化方法进行图像压缩，可以在获得较高压缩比的同时，得到较好的恢复图像质量。
关键词：自组织特征映射；矢量量化；码书；图像压缩1 自组织特征映射网络(SOFM)自组织特征映射网络（SOFM）是自组织网络中的一种，所谓的自组织过程是指学习的结果总是使聚类区内各神经元的权重向量保持向输入向量逼近的趋势，从而使具有相近特性的输入向量聚集在一起。
SOFM能够根据输入信息找出规律及相应联系，并根据这些规律对网络做出相应的调节，使输出结果与之适应。
1.1 SOFM基本思想自组织特征映射(SOFM)最早是由芬兰赫尔辛基大学的Teuvo Kohonen于1981年提出的。
他认为神经元的有序排列可以反映出外界刺激的某些物理特性。
当神经网络接受外界输入模式时, 其会自动分成各个区域，这些区域对输入模式具有不同的响应特点。
各神经元权值具有一定的分布，对于那个获胜神经元g ,在其周围的Ng 区域内,神经元在不同程度上都得到兴奋,而在Ng以外的神经元都被抑制。
获胜神经元不但加强自身, 而且使邻近神经元也得到相应加强, 同时抑制较远的神经元。
这时与竞争层相应节点连接的权值向量就向输入模式的方向修正。
这样，通过不断地调整权值，使每一邻域的所有节点对某种输入具有类似的输出。
因此，SOFM网络的输出状况，不但能判断输入模式所属的类别并使输出节点代表某一模式，还能够得到整个数据区域的大体分布情况。
1.2 SOFM网络模型结构大多数生物的大脑皮层中,神经元的输入信号一部分来自同一区域的反馈信号,另一部分来自感觉组织或其他区域的外部输入信号。
每一神经元接收到的输入信号的加权起特征检测作用,而侧向反馈连接则根据其与神经元距离的不同产生激励或抑制作用。
自组织网络技术的应用及发展趋势分析
自组织网络技术的应用及发展趋势分析前言随着物联网和大数据时代的到来，自组织网络技术迅速崛起，成为连接传统网络和物联网的重要手段。
自组织网络通过节点之间的自主协作和组织来进行信息传输和计算，避免了传统网络中中心控制的缺陷，具有低成本、高可靠性、自适应性、快速配置等优势。
本文旨在分析自组织网络技术的应用现状和发展趋势，以期对该领域的研究和应用提供有益的参考。
一、自组织网络技术的应用现状1. 传感器网络传感器网络是自组织网络技术的重要应用领域，主要应用于环境监测、智能医疗、工业控制等领域。
传感器节点通过无线通信协作完成数据的采集、处理和传输，构建出一个大规模、动态分布的网络系统。
传感器网络具有低能量消耗、容错性强、自部署、自修复等特性，因此在应急救援、环境监测等领域具有广阔的应用前景。
2. 自组织车联网自组织车联网是指通过车载设备建立自组织网络，实现车辆之间的无缝连接和数据共享，从而提升交通效率和安全性。
自组织车联网正逐渐成为智能交通的重要组成部分，涉及车辆自动驾驶、道路智能测控等方面的技术。
此外，自组织车联网还能够通过数据的收集和分析，为城市交通规划提供决策支持。
3. 自组织无线网络自组织无线网络是一种去中心化结构的无线网络，节点之间能够通过自主协调与组织来实现数据传输和处理。
自组织无线网络具有自适应性强、能量消耗低等优势，适用于大规模、广泛分布、节点多变的场景。
目前该技术主要应用于军事、工业、物流等领域，未来还有望扩展到智能家居、智慧城市等领域。
二、自组织网络技术的发展趋势1. AI与自组织网络的相互渗透人工智能技术在近年来飞速发展，其与自组织网络技术的结合将产生更大的应用潜力。
自组织网络可为人工智能提供更多的数据和场景，而人工智能则可以通过自组织网络提升其智能化程度。
AI技术将成为未来自组织网络技术的重要支撑。
2. 跨层级协同设计传统基于层次的网络设计存在层级耦合和复杂性高等问题，未来自组织网络技术将采用跨层协同的设计思想，实现节点之间的有效合作。
自组织特征映射神经网络讲解
自组织特征映射神经网络的基本思想
早在70年代，一些学者就曾根据生理学规律研究并提出了各种模
拟这些规律的人工神经网络和算法。
1981年，芬兰学者Kohonen提出了一个比较完整的、分类性能较
好的自组织特征映射（Self-Organizing Feature Map)神经网络（简 称SOM网络）的方案。有时该网络也称Kohonen特征映射网络。
领域的作用与更新
领域规定了与获胜神经元连接权向量Wij进行同样调整的其他神经
元向量的范围。 网络学习过程中各连接权向量及领域的变化状况如图所示：
网络的回想
SOM网络学习后按下式进行回想
dg
w
i 1
N
ij
ai
将需要分类的输入模式Ak提供给网络的输入层，按上式寻找出竞
争层中连接权向量与Ak最接近的神经元g，此时神经元g有最大的 激活值1，而其他神经元被抑制而取0值。神经元g表示对输入模式 Ak的分类结果。
dg
w
i 1
N
ij
a i 的大小确定连接权向量Wij。其中dj
的值大表示距离短，反之亦然。
连接权Wij的初始化
连接权{Wij}初始值的确定
方法1、将所有连接权向量Wij赋予相同的初值，这样可以减少输 入模式Ak在最初阶段对Wij的挑选余地，增加每一个连接权向 量Wij被选中的机会，尽可能快地校正Wij与Ak之间的方向偏 差。 方法2、当把连接权{Wij}赋予[0，1]区间内随机初值之后，在网 络学习的初级阶段对提供给网络的学习模式作一些修正。
– 粗学习和粗调整阶段
• 指向各个随机方向的连接全向量朝着输入模式Ak的方向进 行初步调整，并大致确定各个输入模式所对应的在竞争层 上的映射位置。
自组织特征映射神经网络研究与应用
自组织特征映射神经网络研究与应用自组织特征映射神经网络，又称Kohonen网络，在机器学习领域中具有广泛的研究和应用价值。
它是由芬兰科学家Teuvo Kohonen于1982年提出的，用来解决模式分类和聚类问题。
本文将分别从网络结构、学习规则、应用场景等多个角度来介绍自组织特征映射神经网络的研究与应用。
一、网络结构自组织特征映射神经网络是一种有两层或多层的神经元组成的全连接网络，其特点是每个神经元与输入节点全连接，但只有部分神经元与输出节点连接，这些与输出节点相连接的神经元被称作胜者神经元。
胜者神经元的选择根据输入数据与神经元之间的权值距离进行，即越接近输入数据的神经元越容易胜出。
自组织特征映射神经网络的网络结构简单，但它可以通过适当调整参数，从而实现多种复杂的函数映射。
在具体应用中，还可以采用层级结构的自组织特征映射神经网络，对于复杂的数据集，可以通过层层处理，逐步提取其更高层次的特征。
二、学习规则自组织特征映射神经网络的学习规则是基于竞争性学习的，其原理是将输入数据投影到高维空间中的低维网格上，使其可以进行分类和聚类。
其学习过程中所用的算法有两种：批处理算法和在线算法。
批处理算法在每个Epoth后，在一个批次中对全部样本进行训练，并更新权值，从而可以获得更稳定的结果，但训练时间较长。
而在线算法则是对每个样本逐个进行学习，因此训练速度较快，但结果相对不稳定。
在学习过程中，自组织特征映射神经网络会通过不断调整权值，形成特征抽取与分类能力强的模型。
其学习的结果可以通过可视化方式，将数据点在网格上的分布呈现出来，形成热图的形式，便于分析与理解。
三、应用场景自组织特征映射神经网络在数据挖掘、图像处理、生物信息学等领域都有着广泛的应用。
在图像处理领域中，可以通过自组织特征映射神经网络对图像进行压缩和分类。
在数据挖掘方面，自组织特征映射神经网络可用于数据聚类和数据可视化。
通过自组织特征映射神经网络，大量数据可以被投射到低维空间，并形成可视化热图，从而能够更好地理解数据的分布规律。
自组织特征映射网络在模式分类中的应用研究
关键词 自组 织特 征映射
人工神经 网络
模式分类
拓扑 函数
仿真
中图法分类号
Ｔ Ｐ ３ ９ １ ． ９ ；
文献标 志码
Ａ
由于大 多数 经 济 、 人 文方 面 的研 究很 难 获得 完 备 的数 据集 ， 信息 来源 可能 既不 完整 又含有 假 象 ， 甚
至存在特例和反例 ， 传统的一些 聚类方法对所需数 据 的要 求 比较严 格 ， 因此 也 难 以 胜 任 这些 工作 。由 于人 工 神经 网络 具 有很 强 的非 线 性 映射 能 力 ， 自学 习性 和 容错性 ， 近年来 ， 人 工神 经 网络用 于模 式分类 成 为 当今 的一 个 研 究 热 点 问题 。 自组 织 特 征 映射 （ ｓ ｅ ｌ ｆ － ｏ ｒ ｇ ａ ｎ ｉ ｚ ｉ ｎ ｇ ｆ ｅ ａ ｔ ｕ ｒ ｅ ｍａ ｐ ｐ ｉ ｎ ｇ ， Ｓ Ｏ Ｆ Ｍ）神经 网络 能 够 根据 学 习获得 的 知识经 验对 复杂 问题 进行 合理 的 判 断决 策 ， 它采 用一 种无 教师 示范 的聚类 方法 ， 在 对 样 本数 据进 行 聚类 的 同时 ， 具 有 保 持拓 扑 有 序 性 和
⑥ ２ ０ １ ４ Ｓ ｃ ｉ ． Ｔ ｅ ｃ ｈ ． Ｅ ｎ ｇ ｒ 中的应 用研 究
丁 硕 常 晓恒 巫 庆 辉
（ 渤海大学工学院 ， 锦州 １ ２ １ ０ １ ３ ）
摘
要
为了研 究 自组 织特征 映射神 经网络在 对于二维 向量进行模 式分类 时， 网络结 构的最优 化 问题 ， 深入研 究 了 Ｓ Ｏ Ｆ Ｍ 神
经 网络 的结构和算 法， 说 明了 Ｓ Ｏ Ｆ Ｍ 网络 的建 立方法。以二维 向量 的模 式分 类为例 ， 利 用所建立 的 Ｓ Ｏ Ｆ Ｍ 网络模 型对输入 的 二维 向量模 式进行分 类， 研究 了输 出层节点形状和拓扑结构对分 类结果 的影响， 测试 了在不 同的训练步数条 件下 ， Ｓ Ｏ Ｆ Ｍ模 型
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第24卷第4期Vol 24 No 4长春师范学院学报(自然科学版)Journal of Chang Chun Teachers College(Natural Science)2005年10月Oct 2005自组织特征映射网络的分析与应用程 勖1,杨毅恒1,陈薇伶2(1 吉林大学综合信息矿产预测研究所,吉林长春 130026;2.长春工业大学研究生院,吉林长春 130012)[摘 要]数据挖掘的方法主要包括检索和分类两类,而各自都有缺陷。
针对这些缺点提出先利用自组织映射的方法对采集的数据进行聚类和可视化,获得一些关于采集到的数据的初步信息。
自组织映射法的目的是一个将高维数据非线性的投到一个预先定义好的二维拓扑中。
它通过竞争学习的方法达到了降维、聚类、可视化的目的。
[关键词]自组织特征映射;聚类;学习速率;权值矩阵[中图分类号]TP311[文献标识码]A[文章编号]1008-178X(2005)04-0055 05[收稿日期]2005-07-02[作者简介]程 勖(1980-),男,吉林长春人,吉林大学综合信息矿产预测研究所硕士研究生,从事GIS 二次开发及其在矿产中的评价研究。
1 引言人工神经网络系统从20世纪40年代末诞生至今仅半个多世纪,但由于其所具有的非线性特性,大量的并行分布结构以及学习和归纳能力使其在模式识别、信号处理、知识工程、专家系统、优化组合、机器人控制等领域得到越来越广泛的应用。
自组织特征映射网络是由芬兰学者Teuvo Kohonen 于1981年提出的[1][2][3]。
该网络是一个由全连接的神经元阵列组成的无教师自组织、自学习网络。
Kohonen 认为,处于空间中不同区域的神经元有不同的分工,当一个神经网络接受外界输入模式时,将会为不同的反应区域,各区域对输入模式具有不同的响应特性。
它所形成的聚类中心能够映射到一个平面或曲面上而保持拓朴结构不变,可以对目标的固有特征作出客观的划分。
Fig 1 1The structure of Kohonen ANN2 自组织特征映射神经网络的结构与学习算法Kohonen 网络或自组织特征映射网络含有两层,一个输入缓冲层用于接收输入模式,另一为输出层,见图1 1[5]。
输出层的神经元一般按正则二维阵列排列,每个输出神经元连接至所有输入神经55元。
连接权值形成与已知输出神经元相连的参考矢量的分量。
图中X=(x 1,x 2,...,x M ),表示输入模式w={w ij |1 i M,1 j c}为权值矩阵,Y=(y 1,y 2,...,y c )为输入节点的匹配响应,在时刻t 有了Y=d (w (t),x (t))(1)其中d 为欧氏距离[6~9]。
输出节点响应的大小意味着该节点关于输入模式的匹配程度。
如果要求最佳匹配,须满足:Yopt (t)=min (yj (t)),j=1,2, ,c(2)然后,在该节点及其拓朴邻域下调整权系数w ij (t+1)=w ij (t)+ (t)*(x i (t)-w ij (t)),j NE j (t),1 i M(3)上式中 (t)为学习参数,NE i (t)为节点j 的拓扑近邻。
自组织神经网络的学习算法为:第一步 初始化权系数w ij (1 i M,1 j c)为随机小正实数,设置迭代次数T,初始化学习参数 (0),0< (0)<1,初始化近邻NE (0),置初始迭代次数t=0。
第二步 输入一新的模式f k 。
第三步 计算模式与各权矢量的距离:d j = Ni =1(x ip -w ji )2j=1,2, ,M;相应程序:double KNE T::EucNorm (int x){ (计算模式与各权矢量的距离)int i;double dist;dist=0;for (i=0;i<YinSize;i++){dist +=(W [i][x]-Yin [i])*(W [i][x]-Yin [i]);} *endfor * dist=sqrt (dist);return dist;第四步 选择dj 最小的节点j 为竞争获胜节点,找出最小距离d g ,确定获胜神经元g 。
d g =min Mj =1(d j )相应程序:int KNE T::FindWinner (){int i;double d,best;int Winner;best=1 0e99;Winner=-1;for (i=0;i<YoutSize;i++){ d=Euc Norm (i); if (d<best){best=d;Winner=i;} endif } endfor return Winner;}第五步 根据(3)式修改节点j 及其近邻NEj (t)的权系数。
相应程序:void KNET::Train (int Winner){int k;for (k=0;k<YinSize;k++){W [k][Winner]=W [k][Winner]+eta*(Yin [k]-W [k][Winner]);56} *endfor*}第六步 判断是否已输入所有模式,否则转第二步。
第七步 t t+1,修改学习参数 (t)及近邻NE(t),若t<T,转第二步,若t=T则停止。
在实际应用中对 (t)与NE(t)的选择没有一般化的数学方法,通常是根据经验选取。
一般的原则是初始NE(0)较大,乃至覆盖整个输入平面,然后逐步收缩到0, (t)开始下降速度较快,可以很快捕捉到输入向量的大致概率结构,然后,在较小的基值上缓慢下降至0,这样可以精细地调整权值,使之符合输入空间的概率结构。
算法流程图:3 自组织特征映射网络的应用选取15个样本,每个样本2个变量,设竞争层为3个神经元。
采样数据:15;2;5 0 5 0;6 0 6 0;5 0 6 0;6 0 5 0;5 5 5 5;5 0 0 0;5 0 1 0;6 0 0 0;6 0 1 0;5 4 0 5;0 0 5 0;1 0 5 0;0 0 6 0;1 0 6 0;0 5 5 5。
显示结果如图3 1 1所示:通过权值矩阵可以看出它所形成的聚类中心, 2 , 1 , 0 分别表示所对应样本所在竞争层中的神经元,可以看出分类情况。
在选取我国某地区的6个土壤样本[10],每个样本用5个理化指标表示其特性,原始数据如表3 2土壤样本及性状。
57Fig3 1 1i mpression of trainingFi g3 2 soil stylebook and properties序号土壤类型全磷(%)全氮(%)P H耕层厚(cm)密度(g cm3)1薄层黏底白浆化黑土0 1420 275%211 032厚层黏底黑土0 1150 1716 3600 783薄层黏底黑土0 1010 1146 4251 134厚层黏底黑土0 1230 1735 8651 095薄层黏底黑土0 1310 1456251 036厚层黏底黑土0 140 1735 8600 98通过聚类结果如图3 1 2所示,可以看出样本(1,3,5)分布在竞争层中同一神经元,聚为一类;(2,4,6)分布在同一神经元,聚为一类。
前者属于薄层黑土,后者属于厚层黑土。
Fig3 1 2 impression of the training of soil stylebook4 结语在Kohonen网络中,脑神经细胞接受外界信息的刺激产生兴奋与抑制的变化规律是通过邻域的作用来体现的,邻域规定了与获胜神经元g连接的权向量wg进行同样调整的其它神经元的范围。
在训练的最初阶段,邻域的范围较大,随着训练的深入进行,邻域的范围逐渐缩小。
Kohonen网络经训练后,将需要分类的输入样品数据提供给网络的输入层,按照上述方法寻找出竞争层中连接权向量与输入模式最接近的神经元,此时神经元有最大的激活值1,而其它神经元被抑制而取0值,这时神经元的状态即表示对输入模式的分类。
在训练中速率的选取非常重要,如果过大会直接影响样本的分布,甚至会导致错误的聚合。
在实际应用中,由于样本的选取在进入输入层时是无序杂乱的,所以对样本先经过一次粗训练再经过细训练会得到比较理想的聚类结果。
[参考文献][1]Xin Yao,Senior Member IEEE,and Yong L i u.A New Evolu tionary Sys tem for Evolving Artificial Neural Networks.IEEETRANSAC TION ON NEUAL NETWORKS,1997,8(3).[2]Baker DJ,Ephremides A.The architectural organization of a mobile radio network via a distri bu ted algori thm.IEEE I C OM29,1981,(11).[3]Shacham N,Westcott J.Fu true directions in packet radio archi tectures and protocols.Proc IEEE,1987,75(1).[4]Wang Yeqiao.The artifical neural network model in remote sensing and multi resource geographical data classification.ScientiaGeographica Sinica,1997,(2):105~111.[5]Heermann P D,khazenie N.Classificati on of multispectral remote sensing data using a back propagation neural network.IEEETrans Geosci Remote Sensing,1992,(1):81~88.58[6]Ji C Y.Crop classification method using a self organizing neural network.Interim report on crop classification using neura networks,1997,3.[7]Iio Y,Omatu S.Category classification method using a self organizing neural network.Int J Remote Sensing,1997,18(4):829~845.[8]Cortijo F J,Perez De La blanca N.A comparative study of some non parametric spectral classifiers.Applications to problemswi th high overlapping training sets.Int J Remote sensing,1997,18(6):1259~1275.[9]Kohonen T.An i ntroducti on to neural compu ting.Neural networks,1998,(1):3~16.[10]Ince, F.Maximum likelihood classification,optimal or problematic?A comparison with the nearest neighbour classification.Int.J.Remote Sensing,1987,12:1829~1838.[11]Schalkoff,R.Pattern recognition:statiscal,structal and neural approach.New York:Wiley1992.[12]Kohonen T.Learning vector quantization for pattern recognition.Helsinki University of technology,Department of TechnicalPhysics T echnical Report,1986.[13]Fitzgerald R W,Lees B G.Assessing the classification Accuracy of mul tisource Remote Sensing data.Remote Sens Environ,1994,47:362~368.[14]Steh man S V.Selecting and interpreting measures of thematic classification accuracy.Remote Sens Environ,1997,62:7789.1,M cCann AH,Sharp JC,Kinter TM,et al.Multidi mensional Ultrasonic Imaging for Cardiology.Proceedings of theIEEE,1988,76:1063~1071.[15]Keller J M,Chen S,Crownover RM.T exture Descr ip tion and Segmentati on through fractal puter Vision,Graphics,and Image Processing,1989,45:150~166.[16]Kohonen T.Sel f-organization and Associative memory.Springer-Verlag,1984.[17]Haralick RM.Statistical and Structural Approaches to Texture.Proceedings of the IEEE,1979,67(5):786~804.[18]Bezdek J.Pattern Recognition wi th Fuzzy Objective Function Algori thms.New York:Pelnum,1981.[19]Kohonen T.Sel forganization maps.Berli n:SpringerVerlag,1995.Application and Analysis of Self-Organizing Feature MapC HENG Xu1,YANG Yi-heng1,CHEN Wei-ling2(1 Institute of Mineral Resources Appraisal of Synthetic Information,Jilin University,Changchun130026,China;2.Changchun University of Technology,Changchun130012,China)Abstract:The mothod of data mining major include serching and classify,but there are different fla w distribute. Aiming to some flaw,people bring forward to use Self-Organizing Feature Map on collec ting data to make clustering and watching at first,and obtain principium information about some collection data.The purpose of Self-Organizing Feature Map is the mothod make nonlinear high dimension data mapping to a prior of definition two dimension ma trix.Though the way of c ompeting learning,it can achieve on dropping the account of dimension,clustering,watch ing.Key words:Self-Organizing Feature Map;clustering;learning velocity;value of power on matrix59。