基于高斯神经元的自组织映射网络研究

自组织映射网络（Self-organizing map network，SOM）是一种经典的无监督学习方法，具有自组织和联机学习功能。由于其简明与实用等特点，不断涌现出SOM变体以适应各类问题。然而，这些工作基本都采纳了确定性神经元建立网络，忽略了数据本身隐含的不确定性信息，导致这些模型的结果缺乏由置信度反映的可解释性，意味着SOM神经元的不确定性刻画能力不足。本文提出了一种高斯神经元SOM网络（Ganssian neuron som network， GNSOM），其神经元节点不再是确定性的，而是建模为高斯分布的高斯神经元，为SOM配备了不确定性功能用于表述数据的不确定性。在实现时，将输入数据同样高斯化，并用Jensen-Shannon（JS）散度代替SOM学习中的欧氏距离作为GNSOM学习中的相似性匹配度量，由此获得了不确定性表示。实验结果表明，GNSOM具有更好的训练效果，并能通过神经元节点的协方差矩阵反映数据的不确定性。由于这种对神经元的高斯化独立于SOM本身，因此能拓展应用于其他神经元模型。