mysimulator.uk
🔍 Szukaj symulacji…/
PL ▼
EnglishDomyślnyУкраїнськаPolski
Strona główna▸ Uczenie Maszynowe▸ Samoorganizująca się mapa

🗺️ Samoorganizująca się mapa

Mapa Kohonena 24×24 (576 neuronów, wejście RGB 3D). Aktualizacja gaussowskiego sąsiedztwa; α i σ zanikają wykładniczo. Renderowanie ImageData poza ekranem. Cztery rozkłady barw wejściowych.

Uczenie Maszynowe2DŚredni60 FPS
self-organising-map ↗ Otwórz osobno
Interfejs samej symulacji jest w języku angielskim.

Podobne symulacje

Drzewo decyzyjne na żywoDrzewo decyzyjne CART z podziałem wg indeksu Giniego. Obserwuj rekurencyjne podzUczenie ze wzmocnieniemAgent Q-learning przechodzi labirynt na siatce 8×8. Mapa cieplna pokazuje maksymKlasteryzacja K-średnich — interaktywne uczenie maszynowePrzejdź krok po kroku przez algorytm k-średnich: obserwuj zbieżność centroidów,

O tej symulacji

Autor: Zespół MySimulator · Weryfikacja redakcyjna: Redakcja MySimulator

Zaktualizowano: 17 lipca 2026 r.

Ta symulacja uruchamia samoorganizującą się mapę Kohonena (SOM) — siatkę 24×24 złożoną z 576 neuronów, z których każdy przechowuje 3-wymiarowy wektor wag RGB. W każdej iteracji losowany jest kolor z wybranego rozkładu, znajdowany jest neuron zwycięski (Best Matching Unit, BMU) o minimalnej kwadratowej odległości euklidesowej, a sam BMU i jego sąsiedzi są przyciągani do wartości wejściowej regułą w ← w + α·h·(x − w), gdzie h = exp(−d²/2σ²) to gaussowskie jądro sąsiedztwa.

🔬 Aktualizacja wag

Wektor wag każdego neuronu jest aktualizowany regułą w ← w + α·h·(x − w), gdzie h to gaussowski współczynnik sąsiedztwa: im bliżej neuron znajduje się BMU, tym silniej przesuwa się w stronę koloru wejściowego.

⚙️ Współczynnik uczenia i promień sąsiedztwa

Współczynnik uczenia α (zaczyna się od 0,5) i promień sąsiedztwa σ (zaczyna się od 8) zanikają wykładniczo wraz z liczbą iteracji, więc wczesne przebiegi grubo porządkują całą mapę, a późniejsze doprecyzowują lokalne szczegóły.

🎮 Sterowanie

Przyciski Colour Input przełączają rozkład próbkowanych kolorów (Rainbow, Warm, Cool lub Random), a suwak Speed określa liczbę kroków uczenia wykonywanych na klatkę. SOM są stosowane do redukcji wymiarowości, klasteryzacji i wizualizacji danych.

Najczęściej zadawane pytania

Czym jest samoorganizująca się mapa?

Samoorganizująca się mapa (SOM), czyli mapa Kohonena, to sieć neuronowa uczenia nienadzorowanego, która rzutuje dane wysokowymiarowe na siatkę neuronów o niskiej wymiarowości. Tutaj siatka 24×24 z 576 neuronami uczy się reprezentować trójwymiarowe kolory RGB, umieszczając podobne kolory obok siebie, tak aby siatka zachowywała topologię danych wejściowych.

Czym jest neuron zwycięski (Best Matching Unit, BMU)?

Dla każdego koloru wejściowego BMU to neuron, którego wektor wag jest najbliższy temu wejściu w sensie odległości euklidesowej. Symulacja przeszukuje wszystkie 576 neuronów, podświetla zwycięzcę białym konturem i podaje jego współrzędne na siatce w panelu telemetrii. BMU jest centrum, wokół którego stosowana jest aktualizacja sąsiedztwa.

Jak mapa się uczy?

W każdym kroku losowany jest kolor, znajdowany jest BMU, a następnie BMU i sąsiadujące neurony są przesuwane w stronę tego koloru według wzoru w ← w + α·h·(x − w). Czynnik gaussowski h oznacza, że bliższe neurony przesuwają się bardziej niż odległe, dzięki czemu po tysiącach iteracji losowe wagi początkowe porządkują się w gładki gradient kolorów.

Co robią przyciski wyboru wejścia kolorystycznego (Colour Input)?

Wybierają rozkład, z którego losowane są kolory treningowe. Rainbow obejmuje pełne koło barw, Warm — od czerwieni do żółci, Cool — od cyjanu do fioletu, a Random wybiera równomiernie losowe wartości RGB. Zmiana wejścia resetuje mapę, ponieważ wyuczony układ odzwierciedla ten rozkład, na którym odbywało się trenowanie.

Co kontroluje suwak szybkości (Speed)?

Suwak określa, ile iteracji treningu wykonywanych jest na klatkę animacji: Slow (10), Medium (50), Fast (200) lub Blazing (800). Wyższe szybkości pozwalają mapie zbiec w ciągu kilku sekund, a wolniejsze ustawienia pozwalają obserwować pojedyncze aktualizacje BMU i stopniowe wygładzanie pola kolorów.

Czym są α i σ i dlaczego zanikają?

α to współczynnik uczenia (jak mocno neurony przesuwają się w stronę wejścia), a σ to promień sąsiedztwa (jak daleko rozciąga się wpływ). Oba zanikają wykładniczo, tutaj jako α₀·exp(−t/4000) i σ₀·exp(−t/2500). Duże wczesne wartości dają szerokie, globalne uporządkowanie; malejące wartości doprecyzowują lokalną strukturę i pozwalają mapie się ustabilizować.

Dlaczego mapa zaczyna się jako losowy szum?

576 wektorów wag jest inicjowanych losowymi wartościami RGB, więc siatka na początku wygląda jak kolorowy szum. W miarę treningu aktualizacje sąsiedztwa korelują sąsiednie neurony, a szum przekształca się w uporządkowane obszary podobnych kolorów, pokazując, jak samoorganizacja wyłania się wyłącznie z lokalnego uczenia konkurencyjnego.

Co oznacza tutaj „zachowanie topologii”?

Oznacza to, że wejścia podobne w oryginalnej przestrzeni odwzorowują się na neurony leżące blisko siebie na siatce. Po treningu sąsiednie komórki mają niemal identyczne kolory, a cała siatka tworzy ciągły gradient, więc dwuwymiarowa siatka wiernie odzwierciedla strukturę trójwymiarowej przestrzeni kolorów.

Czy to dokładna samoorganizująca się mapa?

Tak. Implementuje standardowy algorytm Kohonena: konkurencyjny wybór BMU na podstawie odległości euklidesowej, gaussowską funkcję sąsiedztwa oraz wykładniczo zanikający współczynnik uczenia i promień. Dla przejrzystości uproszczono ją do siatki 24×24 i trójwymiarowych wejść kolorystycznych, ale podstawowa reguła aktualizacji i harmonogram zanikania odpowiadają klasycznemu sformułowaniu.

Czym SOM różni się od klasteryzacji k-średnich?

Obie metody rozmieszczają wektory referencyjne wśród danych, ale k-średnich traktuje klastry niezależnie, podczas gdy SOM narzuca stałą topologię siatki i aktualizuje neuron razem z jego sąsiadami. To sprzężenie sąsiedztwa sprawia, że sąsiadujące jednostki SOM uczą się powiązanych wartości, tworząc uporządkowaną mapę zamiast zbioru niepowiązanych centroidów.

Gdzie samoorganizujące się mapy są stosowane w praktyce?

SOM są stosowane do wizualizacji danych, eksploracyjnej klasteryzacji i redukcji wymiarowości w takich dziedzinach jak organizacja dokumentów i obrazów, segmentacja finansowa i klientów, wykrywanie usterek oraz bioinformatyka. Przykład kolorystyczny jest tu klasyczną demonstracją dydaktyczną, ponieważ uporządkowanie danych wysokowymiarowych jest bezpośrednio widoczne jako gładki gradient.