自组织映射神经网络。自组织映射神经网络是如何工作的，它与k均值算法有何区别？怎样设计自组织映射神经网络并设定网络训练参数？

场景描述：

自组织映射神经网络是 无监督学习方法中一类重要方法，可以用作聚类，高维可视化，数据压缩，特征提取等多种用途。在深度学习神经网络大为流行的今天，谈及自组织映射神经网络依然是一件非常有意义的事情，这主要是由于自组织映射神经网络中融入了大量人脑神经元的信号处理机制，有着独特的结构特点。

自组织映射神经网络是如何工作的，它与k均值算法有何区别？

生物研究表明，在人脑的感知通道上，神经元组织是有序排列的；同时，大脑皮层会对外界特定时空信息的输入在特定区域产生兴奋，而且相类似的外界信息输入 产生对应兴奋的大脑皮层区域也连续映像的。

例如，生物视网膜中有许多特定的细胞对特定的图形比较敏感，当视网膜中有若干个接收单元同时受特定模式刺激时，就使大脑皮层中特定神经元开始兴奋，且输入模式接近时与之对应的兴奋神经元也接近。

在听觉通道上，神经元在结构排列上和频率的关系十分密切。对于某个频率，特定的神经元具有最大的响应，位置相邻的神经元具有相近的频率特征，而远离的神经元具有的频率特征差别也较大。

大脑皮层中神经元的这种响应特点不是先天安排好的，而是通过后天的学习自组织形成的。

在生物神经系统中，还存在着一种侧抑制现象，即一个神经细胞兴奋后，会对周围其他神经细胞产生抑制作用。这种抑制作用会使神经细胞之间出现竞争，其结果是某些获胜，而另一些失败。表现形式是获胜神经细胞兴奋，失败神经细胞抑制。自组织神经网络就是对上述生物神经系统功能的一种人工神经网络模拟。

自组织映射神经网络本质是一个两层的神经网络，包含输入层，和输出层（竞争层）。输入层模拟感知外界输入信息的视网膜，输出层