本文介绍了SOM（Self-Organizing Maps）作为一种无监督聚类方法，用于FMRI数据的无监督时空分析。SOM通过模拟神经细胞的分工特性，自动将高维数据映射到低维空间，保持拓扑结构不变。SOM网络包含输入层和映射层，算法包括确定获胜节点和更新权重两步。邻接神经元的确定依赖于邻域函数，学习过程从粗略映射逐渐转向精细调整，直至达到预设目标。
Unsupervised Spatiotemporal Analysis of FMRI Data Using Graph-Based Visualizations of Self-Organizing Maps 讲述的是一种fMRI数据分析的方法，使用了SOM以及基于图的可视化，针对Self-Organizing Maps(SOM)相关知识，从网上搜集了一些资料顺带着自己的理解，在这儿整理一下做个笔记。
SOM是一种无监督的聚类方法。它模拟人脑中处于不同区域的神经细胞分工不同的特点，即不同区域具有不同的响应特征，而且这一过程是自动完成的。自组织映射网络通过寻找最优参考矢量集合来对输入模式集合进行分类。每个参考矢量为一输出单元对应的连接权向量。与传统的模式聚类方法相比，它所形成的聚类中心能映射到一个曲面或平面上，而保持拓扑结构不变。对于未知聚类中心的判别问题可以用自组织映射来实现。
先用《数据挖掘技术》中的一个很形象的例子说明一下SOM是如何做到模式识别的：设想有堵墙，墙上布满洞，你在朝这堵墙上投掷球，如果球落入其中的一个洞，你就可以得到一定的奖励。训练SOM就像一个人蒙着眼处于亭子中，并且最初墙上没有洞：开始时你会随机的投掷下去，当你每次投掷球后，墙上便留下小的凹痕，最后，当足够多的球投在相同的区域附近时，凹陷穿破墙形成一个洞，现在当另外一个球落在那个位置时，便穿洞而过，你将会获得奖品，而在SOM中，这个奖品就是一个簇.
最低0.47元/天 解锁文章
1578
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
