SOM-unsupervised-learning-on-MNIST-dataset: 使用sommatlab代码在MNIST数据集上实现自组织映射的训练

som matlab代码MNIST上的SOM无监督学习 在此存储库中，我正在发布“神经网络和深度学习”课程中一项作业的代码和结果，该课程是我在德黑兰大学攻读硕士学位时通过的。 任务的目标是在MNIST数据集上训练自组织映射算法。 目录 自组织地图– Kohonen地图 （SOM）是Kohonen引入的无监督学习算法。 在SOM方面，SOM也是一种出色的数据探索工具。 它可以将高维模式投影到低维拓扑图上。 SOM映射由一维或二维（2-D）节点网格组成。 这些节点也称为神经元。 每个神经元的权重向量具有与输入向量相同的维数。 SOM获得输入数据的统计特征，并应用于广泛的数据分类领域。 SOM基于竞争性学习。 在竞争性学习中，神经元激活是神经元重量和输入数据之间距离的函数。 激活的神经元学习最多，因此可以改变其权重。 SOM真正发生了什么？ 数据集中的每个数据点通过竞争表示来识别自己。 SOM映射步骤从初始化权重向量开始。 从那里，随机选择一个样本向量，并搜索权重向量图，以找出最能代表该样本的权重。 每个权重向量都具有接近它的相邻权重。 所选择的权重可以变得更像随机选择的样本矢量，从而得到回