基于C#的机器学习--颜色混合-自组织映射和弹性神经网络

自组织映射和弹性神经网络

       自组织映射(SOM)，或者你们可能听说过的Kohonen映射，是自组织神经网络的基本类型之一。自组织的能力提供了对以前不可见的输入数据的适应性。它被理论化为最自然的学习方式之一，就像我们的大脑所使用的学习方式一样，在我们的大脑中，没有预先定义的模式被认为是存在的。这些模式是在学习过程中形成的，并且在以更低的维度(如二维或一维)表示多维数据方面具有不可思议的天赋。此外，该网络以这样一种方式存储信息，即在训练集中保持任何拓扑关系。

       更正式地说，SOM是一种集群技术，它将帮助我们发现大型数据集中有趣的数据类别。它是一种无监督的神经网络，神经元被排列在一个单一的二维网格中。网格必须是矩形的，例如，纯矩形或六边形。在整个迭代过程中，网格中的神经元将逐渐合并到数据点密度更高的区域。当神经元移动时，它们会弯曲和扭曲网格，直到它们更靠近感兴趣的点，并反映出数据的形状。

       在这一章中，我们将讨论以下主题:

1. Kohonen SOM（自组织映射）
2. 使用AForge.NET

SOM引擎

       简而言之，我们网格上的神经元，通过迭代，它们逐渐适应数据的形状(在我们的示例中，如下面的图所示，位于点面板左侧)。我们再来讨论一下迭代过程本身。

       1.第一步是在网格上随机放置数据。我们将随机将网格的神经元放在数据空间中，如下图所示:

       2.第二步是算法将选择单个数据点。

       3.在第三步中，我们需要找到最接近所选数据点的神经元(数据点)。这就成了我们最匹配的单元。

       4.第四步是将最匹配的单元移向该数据点。我们移动的距离是由我们的学习率决定的，每次迭代后学习率都会下降。

       5.第五，我们将把最匹配单元的邻居移得更近，距离越远的神经元移动得越少。你在屏幕上看到的初始半径变量是我们用来识别邻居的。这个值，就像初始学习率一样，会随着时间的推移而降低。如果您已经启动并运行了监视器，您可以看到初始学习率随着时间的推移而降低，如下面的屏幕截图所示：

       6.我们的第六步也是最后一步，是更新初始学习速率和初始半径，就像我们目前描述的那样，然后重复它。我们将继续这一进程，直到我们的数据点稳定下来并处于正确的位置。

       现在我们已经有了了一些关于SOMs的直观的认识，我们再来讨论一下我们这一章要做的事情。我们选择了一个非常常见的机制来教我们的程序，那就是颜色的映射。

       颜色本身是由红色、绿色和蓝色表示的三维对象，但是我们将把它们组织成二维。颜色的组织有两个关键点。首先，颜色被聚集成不同的区域，其次，具有相似属性的区域通常彼此相邻。

       第二个例子更高级一些，它将使用ANN(人工神经网络);这是机器学习的一种高级形式，用于创建与呈现给它的映射相匹配的组织映射。

       让我们看第一个例子。下面是我们示例的屏幕截图。正如所看到的，我们有一个随机的颜色图案，当完成时，它由一组相似的颜色组成：

       如果我们成功了，我们的结果应该是这样的: