Kohonen

本资源提供Kohonen神经网络在网络入侵聚类分析中的应用实例。

Kohonen神经网络(KNN)是T．Kohonen于1981年提出的一种模拟人脑特征的神经网络模型。当人脑接收外部刺激时，神经元的响应呈现特定的排列，与外部信息特征密切相关。Kohonen神经网络通过构建双层自组织网络模拟人脑的特征，也称为自组织特征映射神经网络(SOM网络)。它的竞争层采用二维点阵结构，通过学习与调整权重向量空间，能将任意维度的输入模式映射成二维图形，保持拓扑结构不变。网络内部神经元之间的交互作用形似墨西哥帽，近邻神经元相互激励，远邻神经元则相互抑制，这种竞争机制有助于网络学习与模式识别。

该模型利用Simulink基本模块实现了Kohonen自组织特征映射(SOFM)算法。SOFM算法通过单个块与多种配置参数相关联，包括神经元输入数量、网格大小、标准差初始值(sigma0)、拓扑邻域函数时间常数(t1)、拓扑邻域函数递减学习率参数初始值(mu0)、时间常数(t2)以及学习率参数减少。示例文件展示了一个由100个神经元组成的二维点阵网络，这些神经元排列在10 x 10的节点中。

43 个神经网络案例里的 Kohonen 聚类算法那一块，挺适合用来练手网络安全方向的聚类。用的是Kohonen 自组织映射网络（Self-Organizing Map），说白了就是一种能把复杂数据降维成好理解的二维地图的算法。在做网络入侵检测这类任务时，这种聚类方式蛮靠谱，能把各种异常模式“自动分类”出来。前面会讲数据怎么，比如清洗、归一化这些基本操作，在MATLAB里搭 Kohonen 网络，参数像学习率、邻域半径都能自己调。训练完之后，你就能看到数据在二维图上的分布，哪些是正常流量，哪些看起来像攻击，一目了然。还带了一些聚类效果的评价方法，像轮廓系数、Davies-Bouldin 指数这