SOM

使用此脚本从TSV数据训练自组织映射（SOM），具体示例是Android App Market数据。如有问题，请发送邮件至kayacik（at）gmail（dot）com。 运行说明1. 确保已安装Bash、MATLAB和Som Toolbox。2. 运行以下命令编译代码：source/run-som-on-appmarket-data.sh 兼容平台支持已安装Bash和MATLAB的平台。

我在网上找到了几份优质的SOM演示PPT资源，虽然是英文的，但非常易懂，图文并茂，例子详实。这些PPT可能是某所大学的课堂讲义，如果早些看到这些资源，我在学习SOM的过程中就可以避免走很多弯路。

Matlab利用神经网络中的SOM网络对数据进行分类。

MATLAB环境下，SOM自组织神经聚类算法得到广泛应用，其在数据分析和模式识别中展现出卓越的性能和效果。

这个matlab编写的SOM自组织神经网络由三个.m文件组成，适合初学者学习。

这项工作由崔玮玮完成，利用MATLAB R2019b实现了基于深度学习的故障诊断代码。采用CWRU提供的公共数据集，代码展示了混合加载模式。用户可以根据需要更改数据加载方式以验证不同情况。使用深度学习工具箱是此代码的必要条件。

介绍了基于自组织映射（SOM）神经网络的MATLAB代码，用于多智能体任务分配的方法。该方法由李昕在上海海事大学水下航行器与智能系统实验室开发。

通过对高维数据可视化方法的系统研究，提出了一种新的基于自组织映射（Self-Organizing Map，SOM）的算法。为了表现该方法的特点，将其称为三维自组织映射（Three-Dimensional SOM，TDSOM）。它在对高维数据记录集进行SOM分析后，将其投影到三维坐标系中的特定点集上，最终形成三维模型。该模型弥补了传统模型难以清晰准确地展现高维数据的缺陷，并且新模型着重于在一个比二维平面更为广阔的三维立体空间中展现海量数据。使用者通常可以根据当前领域的专业知识在分析模型的基础上得出有意义的模式。新方法可以广泛使用在数据挖掘和模式识别等领域。

本案例详细介绍了SOM神经网络如何应用于柴油机故障诊断中的数据分类。通过分析数据模式，SOM网络有效地识别和分类柴油机故障，为故障诊断提供了新的方法和视角。

如果您使用此SOM IT-vis代码，请引用以下文章[1] LE Brito da Silva和DC Wunsch II，“神经网络和学习系统的IEEE交易”，“自组织地图的信息理论集群可视化”。29号6，pp.2595-2613，2018年6月。并将此应用计算情报实验室（ACIL）Github存储库称为[2] LE Brito da Silva和DC Wunsch II，“SOM IT-vis”，2018年。[在线]。可用的：此处提供的用于生成SOM IT-vis的代码利用了用于MATLAB的SOMToolbox:copyright:： [3] J. Vesanto，J。Himberg，E。Alhoniemi和J. Parhankangas，“Matlab中的自组织图：SOM工具箱”，在Matlab DSP会议论文集，1999年，第35至40页。可在以下位置获得：如果使用SOMToolbox:copyright:，请遵守其版权规则并适当引用。SOM IT-vis文章的“实验”部分中使用的数据集可在以下