一個神經網路接收外界輸入模式時，將會分為不同的對應區域，各區域對輸入模式有不同的響應特徵，而這個過程是自動完成的。其特點與人腦的自組織特性類似。SOM的目標是用低維（通常是二維或三維）目標空間的點來表示高維空間中的所有點，儘可能地保持點間的距離和鄰近關係（拓撲關係）。

自組織神經網路：是無導師學習網路。它通過自動尋找樣本中的內在規律和本質屬性，自組織，自適應地改變網路引數與結構。

結構：

SOM為層次型結構。典型結構是：輸入層加競爭層

輸入層：接收外界資訊，將輸入模式向競爭層傳遞，起“觀察”作用

競爭層：負責對輸入模式進行“分析比較”，尋找規律並歸類。

競爭學習規則就是從神經元細胞的側抑制現象獲得的，它的學習步驟如下:

(1)向量歸一化

對自組織網路中的當前輸入模式向量X、競爭層中各神經元對應的內星權向量，全部進行歸一化處理,得到和

                                                                      ，       

（2）尋找獲勝神經元

將與競爭層所有神經元對應的內星權向量(j = 1,2,...,m)進行相似性對比。最相似的神經元獲勝，權向量為.

（3）網路輸出與權調整

按WTA學習法則，獲勝神經元輸出為“1”，其餘為0，即

只有獲勝神經元才有權調整其權向量，其權向量學習調整如下：

為學習效率，一般隨著學習多維進展而減少，即調整的程度越來越小，趨於聚類中心。

（4）重新歸一化處理

歸一化後的權向量經過調整後，得到的新向量不再是單位向量，因此要對學習調整後的向量重新歸一化，迴圈運算，直到學習率衰減到0.

SOM演算法原理：

SOM人工神經網路是一個可以在一維或二維的處理單元陣列上，形成輸入訊號的特徵拓撲分佈，結構如圖一所示。網路模擬了人類大腦神經網路自組織特徵對映的功能。該網路由輸入層和輸出層組成，其中輸入層的神經元個數的選取按輸入網路的向量個數而定，輸入神經元為一維矩陣，接收網路的輸入訊號，輸出層則是由神經元按一定的方式排列成一個二維節點矩陣。輸入層的神經元與輸出層的神經元通過權值相互聯結在一起。當網路接收到外部的輸入訊號以後，輸出層的某個神經元便會興奮起來.

                                                                                            SOM神經網路模型

優點：它將相鄰關係強加在簇質心上，所以，互為鄰居的簇之間比非鄰居的簇之間更相關。這種聯絡有利於聚類結果的解釋和視覺化。

缺點：（1）使用者必選選擇引數、鄰域函式、網格型別和質心個數

            （2）一個SOM簇通常並不對應單個自然簇、可能有自然簇的合併和分裂。

            （3）缺乏具體的目標函式

            （4）SOM不保證收斂，儘管實際中它通常收斂

SOM的應用：

（1）汽輪發電機多故障診斷的SOM神經網路方法

（2）基於SOM神經網路的柴油機故障診斷