- 综合排序
- 最热优先
- 最新优先
- 来自专栏数据小冰
SOM学习笔记1
SOM学习笔记小编打算写两篇，内容来自小编前阶段在工作要解决的预警产品质量在多个ATE上走低的问题。 第一篇从理论的角度介绍SOM的网络模型、学习算法，第二篇从应用的角度以demo的形式展示实际的应用。 ---- 1.SOM是什么 SOM英文全拼是Self-Organizing Maps，中文一般译作自组织映射网络，它是神经网络的一种，由kohonen提出，属于非监督式学习，它模仿人脑神经元对信息的处理方式 2.SOM网络模型 SOM网络有两层，分别是InputLayer和OutputLayer。 3.内星学习规则 SOM是基于内星学习规则而来的，有必要学习下该规则: 假设输入信息为n维向量，即下图中的(P1,P2,P3,...,Pn)，该向量与权值向量(ω1,ω2,ω3,...
74120编辑于 2022-08-15 - 来自专栏生信宝典
SOM基因表达聚类分析初探
SOM分析基本理论 SOM (Self-Organizing Feature Map,自组织特征图)是基于神经网络方式的数据矩阵和可视化方式。 SOM分析实战 下面是R中用kohonen包进行基因表达数据的SOM分析。 (som_model, som_cluster) ? SOM获取基因所在的新类 som_model_code_class_cluster = som_model_code_class som_model_code_class_cluster$cluster = som_cluster[som_model_code_class$code_class] head(som_model_code_class_cluster) name
1.9K20发布于 2018-08-17 - 来自专栏caoqi95的记录日志
SOM(Self-Organizing Maps) 聚类算法
SOM 的基本结构 SOM（Self-Origanizing Maps），自组织映射网络，是一种基于神经网络的聚类算法。 SOM 是一个单层的神经网络，仅包含输入层和计算层。 ? SOM 结构 计算层也称为竞争层，也是输出层。其由一系列神经元组成的节点构成，可以是一维的结构，也可以是二维的结构。即计算层是拓扑结构的。 SOM 的学习过程 SOM 将输入数据转换为离散的低维数据，然后被表示成局部区域或者网络中的活动点。初始化的步骤完成后，接下来是竞争，协作和适应这三个重要的学习过程。 训练完成后，点击 “Plots” 下的 “SOM Sample Hits”。对于 SOM 训练，与每个神经元相关联的权重向量移动成为输入向量集群的中心。 Self Organizing Maps (SOM): 一种基于神经网络的聚类算法 [2]. SOM是怎样一种模型（对于初学者如何操作，算法等）？
13K41发布于 2019-03-27 - 来自专栏产品经理的人工智能学习库
自组织映射（Self-organization map | SOM）
文章目录 百度百科版本 自组织神经网络SOM是基于无监督学习方法的神经网络的一种重要类型。自组织映射网络理论最早是由芬兰赫尔辛基理工大学Kohen于1981年提出的。 查看详情 维基百科版本 自组织映射（SOM）或自组织特征映射（SOFM）是一种类型的人工神经网络（ANN），其使用已训练的无监督学习以产生低维（通常为二维），离散的表示训练样本的输入空间，称为地图，因此是一种减少维数的方法 这使得SOM 通过创建高维数据的低维视图（类似于多维缩放）对可视化非常有用。芬兰教授Teuvo Kohonen在20世纪80年代引入的人工神经网络有时被称为Kohonen地图或网络。
1.9K20发布于 2019-12-18 - 来自专栏素质云笔记
RFM模型+SOM聚类︱离群值筛选问题
1、数据聚类 利用RFM客户价值模型，进行SOM（自组织映射神经网络模型），可以参考笔者的博客。
97820发布于 2019-05-28 - 来自专栏机器学习AI算法工程
谱聚类、Chameleon聚类、PCCA、SOM、Affinity Propagation
4、SOM 之所以尝试SOM聚类，主要是因为这是基于神经网络的一种算法，而神经网络本身又是机器学习中的一个重要方法，所以就自己实践一下体会体会。 不过，因为这里仅仅是个人的算法尝试，所以我就使用最简单的方式，直接使用SOM进行聚类。 竞争网络，顾名思义就是网络节点相互竞争。 聪明的看官们肯定发现了，这个简单化的SOM算法跟K-means算法思路基本一致，确实一些文章也提到，在节点数目偏少的情况下SOM的结果就类似于K-means。 这应该是因为SOM的学习方式与K-means直接求平均不同。至于对样品2的聚类，SOM也跟K-means类似，就不贴出来了。 ? ? 这个SOM聚类只是个人试水，并不能真正代表SOM聚类的最佳效果，仅作参考。
2.6K30发布于 2018-03-12 - 来自专栏生信宝典
基因表达聚类分析之初探SOM - 自组织特征图
SOM分析基本理论 SOM (Self-Organizing Feature Map,自组织特征图)是基于神经网络方式的数据矩阵和可视化方式。 SOM分析实战 下面是R中用kohonen包进行基因表达数据的SOM分析。 som_model <- supersom(data_train_matrix, grid=som_grid, keep.data = TRUE) 可视化SOM结果 # Plot of the training (som_model, som_cluster) ? SOM获取基因所在的新类 som_model_code_class_cluster = som_model_code_class som_model_code_class_cluster$cluster
1.6K20发布于 2020-08-25 - 来自专栏人工智能前沿讲习
【综述专栏】SOM(自组织映射神经网络)——理论篇
来源：知乎—孙佳伟 地址：https://zhuanlan.zhihu.com/p/73534694 01 SOM介绍 自组织映射(Self-organizing map, SOM)通过学习输入空间中的数据 逼近输入空间的过程 16 总结 本篇介绍了SOM算法的基本理论，另外还有一篇关于SOM具体的应用方法以及效果，有详细的案例和代码。 (X_train)：随机选取样本进行初始化 som.pca_weights_init(X_train)：PCA初始化 三种初始化方式，选一种即可 两种训练方式： som.train_batch(X_train ： som.get_weights()：Returns the weights of the neural network som.distance_map()：Returns the distance map of the weights som.activate(X)：Returns the activation map to x 值越小的神经元，表示与输入样本 越匹配 som.quantization
5K21发布于 2021-10-11 - 来自专栏启明云端
启明云端分享|IDO-SOM3828模块，你值得拥有。
IDO-SOM3828 是基于瑞芯微 RK3288 SoC（ARM Cortex A17 四核 主频 1.8G）的超小 型 SOM（System On Module）模块。
86340发布于 2021-08-10 - 来自专栏拓端tecdat
使用自组织映射神经网络（SOM）进行客户细分
SOM SOM可视化由多个“节点”组成。每个节点向量具有： 在SOM网格上的位置 与输入空间维度相同的权重向量。 SOM热图 典型的SOM可视化是“热图”。热图显示了变量在SOM中的分布。理想情况下，相似年龄的人应该聚集在同一地区。 下图使用两个热图说明平均教育水平和失业率之间的关系。 R中的SOM 训练 R可以创建SOM和可视化。 =20, topo="hexagonal") ＃最后，训练SOM，迭代次数选项， ＃学习率 model <- som(data\_train\_matrix) 可视化 可视化可以检察生成SOM的质量 网格中具有空节点的热图** 在某些情况下，您的SOM训练可能会导致SOM图中的节点为空。
1.5K30编辑于 2022-03-05 - 来自专栏拓端tecdat
R语言使用自组织映射神经网络（SOM）进行客户细分
SOM SOM可视化由多个“节点”组成。每个节点向量具有： 在SOM网格上的位置 与输入空间维度相同的权重向量。 SOM热图 典型的SOM可视化是“热图”。热图显示了变量在SOM中的分布。理想情况下，相似年龄的人应该聚集在同一地区。 下图使用两个热图说明平均教育水平和失业率之间的关系。 ? R中的SOM 训练 R可以创建SOM和可视化。 =20, topo="hexagonal") ＃最后，训练SOM，迭代次数选项， ＃学习率 model <- som(data_train_matrix) 可视化 可视化可以检察生成SOM SOM网格中具有空节点的热图 在某些情况下，您的SOM训练可能会导致SOM图中的节点为空。
2.6K00发布于 2020-12-30 - 来自专栏全志嵌入式那些事
Allwinner T3 汽车级处理器为工业级 SoM 提供动力
Tronlong SOM-TLT3和SOM-TLT3-B是全志T3的全志T3系统级模块（SoM）。 两个模块具有基本相同的规格，但 SOM-TLT3 带有用于焊接到载板的槽孔，而 SOM-TLT3-B 具有板对板连接器。 创龙SOM-TLT3 / SOM-TLT3-B规格： CPU – Allwinner T3 四核 Arm Cortex-A7 @ 1.2 GHz，带 32KB L1 I 缓存 + 32KB L1 D 缓存 低速接口——多达 5 个 I2C、4 个 SPI、8 个 UART 和 PWM 接口 主机连接 – 2x 50pin + 2x 70pin, pitch 1.0mm 尺寸 – 55 x 75mm (SOM-TLT3 )；39 x 57 毫米 (SOM-TLT3-B) Tronlong 还提供功能丰富的 TLT3-EVM 载板，带两个以太网 RJ45 端口、双 CAN、双 USB、双 RS485，以及蓝牙、WiFi
80710编辑于 2024-02-02 - 来自专栏启明云端
超小型模块：IDO-SOM2D01可应用于物联网智能网关等领域
模块介绍 IDO-SOM2D01 是基于 SigmaStar SSD201 SoC（ARM Cortex A7 内核）的超小型 SOM （System On Module）模块。
86640发布于 2021-08-13 - 来自专栏启明云端
启明云端分享|IDO-SOM3568：可用于轻量级人工智能应用
产品介绍 IDO-SOM3568 采用 Rockchip 新一代 64 位处理器 RK3568（Quad-core ARM CortexA55, Neon and FPU，主频最高 2.0GHz），集成双核心架构
1.1K50发布于 2021-08-12 - 来自专栏启明云端
启明云端分享|IDO-SOM3022-V1.0：可适用于物联网等多个领域
适用范围 IDO-SOM3022-V1.0 适用于工业主机，物联网设备，医疗健康设备， 广告一体机，互动自助终端，教学实验平台，显示控制，车载安防等多个领域 。 3022正.png 产品概述 IDO-SOM3022-V1.0 采用瑞芯微 PX30 （ARM Cortex-A35）四核 64 位超强 CPU，搭载 Android/Linux 系统，主频高达 1.5
1K70发布于 2021-08-12 - 来自专栏启明云端
高性能核心板IDO-SOM3908-V1：接口丰富，性能更强，速度更快！
产品概述 IDO-SOM3908-V1 是基于 RK3399 系列 CPU 开发设计的一款高性能核心板，双 Cortex-A72 大核+四 Cortex-A53 小核，六核 64 位 CPU，搭载 Android7.1 适用范围 IDO-SOM3908-V1 适用于工业主机，嵌入式智能设备、人机交互、 广告一体机、互动自助终端、教学实验平台、显示控制等多个领域 。
1.4K40发布于 2021-08-10 - 来自专栏拓端tecdat
R语言中的SOM(自组织映射神经网络)对NBA球员聚类分析
该算法赋予SOM的关键特征：数据空间中接近的点在SOM中更接近。因此，SOM可能是表示数据中的空间聚类的好工具。 Kohonen映射类型 下面的示例将使用2015/16 NBA赛季的球员统计数据。 标准SOM图可为网格单元的代表矢量创建这些饼图表示，其中半径对应于特定维度上的大小。 热图SOM 我们可以通过将每个球员分配到具有最接近该球员状态的代表向量来识别地图。 par(mfrow = c(1, 2)) plot(NBA.SOM2, type = "mapping", pchs = 20, main = "Mapping Type SOM") plot(NBA.SOM2 plot(SOM2, type = "dist.neighbours") ? 有监督SOM 有监督的SOM使我们可以进行分类。到目前为止，我们仅将三维数据映射到二维。 add.cluster.boundaries(NBA.SOM4, NBA.SOM4.hc) ? 该视图使我们可以将球员统计数据与位置预测进行比较。
1.4K20发布于 2021-01-13 - 来自专栏素质云笔记
R语言实现SOM（自组织映射）模型（三个函数包+代码）
三、SOM模型的R语言实现——三个函数包介绍 SOM模型在R语言中，目前，我看到的有三个函数包，分别是：Kohonen包、som包、RSNNS包。 补充内容： SOM的分类是否有意义？ SOM是神经网络，能够载入训练、验证模型吗？ 答：SOM，自组织映射网络是可以进行训练的，可以先用数据训练模型，然后验证其他数据。 —————————————————————————————————— 1、som包 som包是一个单独为som模型的包，里面内嵌的函数已经能够基本应付分析，适合速成分析。 (4)SOM模型的训练函数 som.train(data, code, xdim, ydim) 这个函数没有试过，大致看了一下内容，跟som()大致一样，其中多出来一个code项，可能输入的是som 之后整个模型，或者是som之后，其中som$code有一个code项目，应该二者选一。
3.6K50发布于 2019-05-27 - 来自专栏Android安卓嵌入式
触觉智能RK3562核心板规格书 型号IDO-SOM3562-V1配置参数
方便更多嵌入式开发者查询数据，上传触觉智能RK3562核心板规格书，型号IDO-SOM3562-V1。 为您了解配置参数1 产品介绍1.1 产品概述 触觉智能RK3562核心板 IDO-SOM3562-V1采用 Rockchip 新一代 64 位处理器 RK3562/RK3562J（Quad-core RK3562核心板IDO-SOM3562-V1核心板，如下图所示： 主要应用于平板电脑、智能家居、教育电子、工业显示、工业控制等领域。 -V1-D1E81GB8GB0~+70 ℃RK3562IDO-SOM3562-V1-D2E162GB16GB0~+70 ℃RK3562IDO-SOM3562-V1-D4E324GB32GB0~+70 ℃ RK3562IDO-SOM3562J-V1-D1E81GB8GB-40~+80℃RK3562JIDO-SOM3562J-V1-D2E162GB16GB-40~+80℃RK3562J6 引脚定义触觉智能RK3562
56710编辑于 2025-06-26 - 来自专栏拓端tecdat
使用自组织映射神经网络（SOM）进行客户细分|附代码数据
通常，SOM的可视化是六边形节点的彩色2D图。 SOM SOM可视化由多个“节点”组成。每个节点向量具有： 在SOM网格上的位置 与输入空间维度相同的权重向量。 SOM热图 典型的SOM可视化是“热图”。热图显示了变量在SOM中的分布。理想情况下，相似年龄的人应该聚集在同一地区。 下图使用两个热图说明平均教育水平和失业率之间的关系。 R中的SOM 训练 R可以创建SOM和可视化。 =20, topo="hexagonal") ＃最后，训练SOM，迭代次数选项， ＃学习率 model <- som(data_train_matrix) 可视化 可视化可以检察生成SOM的质量， **SOM网格中具有空节点的热图** 在某些情况下，您的SOM训练可能会导致SOM图中的节点为空。
2K30编辑于 2023-04-14
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号