self-organizing-maps Teuvo Kohonen 2001 第三版 扫描版

TensorFlow自组织图 TensorFlow 1.5和Python 3.6的Kohonen自组织映射1的实现。 提供了一个Tensorflow V2版本，该版本位于tfv2分支中。 （感谢Dragan！）这最初是基于代码，但进行了一些关键的修改： 使用TensorFlow广播语义而不是tf.pack和for循环。 输入数据应该来自Tensor而不是tf.placeholder ，从而可以与更快，更复杂的输入数据管道一起使用。 培训使用批处理算法而不是在线算法，如果您具有GPU RAM，则可以大大提高速度。 另外，因此，我添加了... 多GPU支持（对于具有多个GPU的单机，它没有多节点培训）。 Tensorboard可视化的一些摘要操作 example.py通过在3个群集玩具数据集上训练SOM来包含其用法的简单示例。 产生的u-matrix应该看起来像这样： 请注意，该示

som matlab代码自组织图 用于自组织地图（SOM）等的Matlab工具箱。 SOM Toolbox 2.0是用于实现自组织地图算法的Matlab 5的软件库，由Esa Alhoniemi，Johan Himberg，Jukka Parviainen和Juha Vesanto版权所有（C）1999。 运行SOM代码 运行主Matlab文件需要该目录中的所有文件：'data2kde2som'。 该文件将分类（即合并）的数据转换为内核密度估计，然后通过Vesanto等人的SOM功能运行该估计。 需要两个（CSV）输入来运行“ data2kde2som” ：( 1）bin_midpoints（分类数据的每个bin的中点）和（2）适合您的bin的数据（每行代表每个点的数据分布）。 执行主成分分析（PCA） 还有一个名为“ pca_surrey”的文件，对两个文件执行PCA（与SOM输出进行比较）。

Kohonen的自组织地图（SOM） 背景 Teuvo Kohonen在1990年撰写的原始是第一个能够进行无监督学习的神经网络模型之一。 在算法的不同实现中，该算法几乎完全遵循原始论文。 更新功能定义为 哪里 和 是当前时代。 而且，每个神经元都与其他所有神经元相连，因此该图是 完整的图形，其中 是神经元的数量。 例 from sklearn . datasets import load_iris from sklearn . decomposition import PCA import matplotlib . pyplot as plt import numpy as np from som . mapping import SOM dataset = load_iris () train = dataset . data # Reducing the dimensiona

自组织图 在Python上的IRIS数据集上实现基本SOM聚类。 SOM教程： : 数据集来源： ： 聚类结果的可视化： Red = Iris-Setosa Green = Iris-Virginica Blue = Iris-Versicolor 以上视觉表示的详细信息： 可以说每个像素代表SOM的一个节点。 如果像素颜色鲜艳，则意味着该颜色表示的许多类别的图案都会激活该像素，即，该像素是同一类别的许多图案的最佳匹配单位。 相反也是如此。 也就是说，深色像素是该颜色所代表的类别的少数几种模式的最佳匹配单位。 如果颜色是两种颜色的混合（例如“蓝绿色”），则像素代表“灰色区域”，即该像素是不同类别图案的最佳匹配单位。 对于任何输入模式，黑色像素都不是最匹配的像素。

这是对Palubicki2009的主要观点的C++实现。为了帮助有兴趣的读者更好地理解该论文的实现方式，代码被记录下来。其结果在结构上与原始论文中的结果相当。然而，从视觉上看，其结果要差一些。这是因为渲染是通过OpenGL光栅化完成的，没有阴影，只是将节间实例化为圆柱体。从性能上讲，这个实现和原始论文中的实现一样好。

用自组织记忆模块从网络数据中学习_CVPR2020年图像分类论文

SOM自组织神经网络MATLAB工具包，使用时加到Matlab安装位置toolbox文件夹，并添加到路径（包含所有somtoolbox的所有子文件夹）