文章 "自组织特征映射 (Kohonen 映射) - 再访主题"
无论训练持续多长时间，初始权重系数与输入模式相差甚远的神经元都无法在竞争中获胜
它相当不错，而且非常容易解决。只需从您要教授的输入中随机选择输入，即可初始化网络。
Комбинатор:
它相当不错，而且解决起来非常简单。只需从您将教授的内容中随机选择输入，即可初始化网络。
我希望听到批评意见，它的连接和修改有多难（我尽量强调这一点）。
它相当不错，而且解决起来非常简单。只需从您将教授的内容中随机选择输入，即可初始化网络。
Комбинатор:
它相当不错，而且解决起来非常简单。只需从您要教授的输入中随机选择输入，即可初始化网络。
取代旧神经元的新神经元离开我们后，很容易将旧神经元送回原处）。
它相当不错，而且解决起来非常简单。只需从您要教授的输入中随机选择输入，即可初始化网络。
计算、绘制地图都不是问题。如今有很多这方面的工作。
在哪里应用，以什么身份应用？聚类？还有更可靠的方法。
就我个人而言，我从未在交易中发现有用的应用。
但作为编程练习，它可能是有用的。
我不会贬低作者的努力。
祝您好运
Vladimir Perervenko:
那就分享信息吧。
计算、绘制地图都不是问题。如今有很多这方面的工作。
在哪里应用，以什么身份应用？聚类？还有更可靠的方法。
Pyyx:
因此，分享信息。
具体一点。不清楚你说的是什么信息。
因此，分享信息。
我们需要记住洛巴切夫斯基是如何提出球面几何学的。
Vladimir Perervenko:
问题要更具体。不清楚你说的是什么信息。
问题是关于聚类和查找专利。
问题要更具体。不清楚你说的是什么信息。
在显示结果方面存在一些缺陷.....。
我决定测试一下统计数据，这就是我得到的结果：
第一行左侧第二个方格的情况让我有点吃惊。值 #2 和 #3。色彩显示中如此生硬/锐利的过渡是如何实现的？以左侧第一行的第一个方格为例--数值 #14 和 #18 之间的颜色过渡很平滑。
然后，在图片下方的调色板中，从左到右或从右到左的颜色过渡都很一致。这里有跳跃的颜色。
我决定测试一下统计数据，这就是我得到的结果：
然后，在图片下方的调色板中，从左到右或从右到左的颜色过渡都很一致。这里有跳跃的颜色。
新文章 自组织特征映射 (Kohonen 映射) - 再访主题已发布：
本文描述利用 Kohonen 映射进行操作的技术。本主题对那些在他们的项目中运用 Kohonen 映射进行市场研究时遇到困难的 MQL4/MQL5 初级程序员和经验丰富的程序员都有益处。
Kohonen 映射的原理
自组织特征映射 (SOM) 是单层i网络, 其每个神经元都与 n-维输入向量 (范形) 的所有组件连接。输入向量 (范形) — 是集簇接受对象之一的描述。
在自组织特征映射里执行训练无需主管。为了训练目的引入了竞争机制。当发送一个范形网络到输入, 与输入范形稍有不同的神经元载体获胜。以下比例适用于优胜者神经元:
此处:
最常用的距离是欧氏空间。
接着是从示例 CSOM_Net_Train 类里调用训练函数 Train()。但是由于在函数实体里有操纵图表的代码 Render() 和 ShowBMP(bool back), 它将在每百次迭代时显示训练进程。当从 Train() 退出后, 调用这些函数来显示最后的变化。
作者：Nikolay Demko