mysimulator.uk
🔍 Пошук симуляцій…/
UK ▼
EnglishТиповаУкраїнськаPolski
Головна▸ Машинне навчання та Нейронні мережі▸ Карта, що самоорганізується

🗺️ Карта, що самоорганізується

SOM Колонена 24×24 (576 нейронів, RGB вхід). Гаусове оновлення сусідства, загасання α і σ, рендеринг через ImageData. Чотири колірні розподіли.

Машинне навчання та Нейронні мережі3DСередній60 FPS
self-organising-map ↗ Відкрити окремо
DRAG · SCROLL · CLICK — керуйте прямо у вікні симуляції.

Схожі симуляції

Дерево рішень LiveCART дерево рішень з домішком Джині. Осьові розбиття з'являються рівень за рівнеНавчання з підкріпленнямQ-агент рухається у сітковому лабіринті 8×8. Теплова карта показує max Q-значеннКластеризація K-Means — Машинне навчанняПокrokово виконуйте k-means кластеризацію: спостерігайте за збіжністю центроїдів

Про цю симуляцію

Автор: Команда MySimulator · Редакційна перевірка: Редакція MySimulator

Оновлено: 16 липня 2026 р.

Ця симуляція запускає самоорганізаційну карту Кохонена (SOM) — решітку 24×24 із 576 нейронів, кожен з яких зберігає 3-вимірний ваговий вектор RGB. На кожній ітерації обирається колір із заданого розподілу, знаходиться нейрон-переможець (Best Matching Unit, BMU) за мінімальною квадратичною евклідовою відстанню, а сам BMU та його сусіди підтягуються до вхідного значення за правилом w ← w + α·h·(x − w), де h = exp(−d²/2σ²) — гаусове ядро сусідства.

🔬 Оновлення ваг

Ваговий вектор кожного нейрона оновлюється за правилом w ← w + α·h·(x − w), де h — гаусів множник сусідства: чим ближче нейрон до BMU, тим сильніше він рухається до вхідного кольору.

⚙️ Швидкість навчання і радіус сусідства

Швидкість навчання α (починається з 0.5) і радіус сусідства σ (починається з 8) експоненційно спадають із кількістю ітерацій, тож ранні проходи грубо впорядковують усю карту, а пізніші — уточнюють локальні деталі.

🎮 Керування

Кнопки Colour Input перемикають розподіл вибірки кольорів (Rainbow, Warm, Cool або Random), а повзунок Speed задає кількість кроків навчання за кадр. SOM використовують для зменшення розмірності, кластеризації та візуалізації даних.

Поширені запитання

Що таке самоорганізаційна карта?

Самоорганізаційна карта (SOM), або карта Кохонена — це нейронна мережа навчання без учителя, яка проєктує дані високої розмірності на решітку нейронів низької розмірності. Тут решітка 24×24 із 576 нейронів навчається представляти 3-вимірні кольори RGB, розміщуючи схожі кольори поруч, щоб решітка зберігала топологію вхідних даних.

Що таке нейрон-переможець (Best Matching Unit, BMU)?

Для кожного вхідного кольору BMU — це нейрон, чий ваговий вектор найближчий до цього входу за евклідовою відстанню. Симуляція перевіряє всі 576 нейронів, підсвічує переможця білим контуром і виводить його координати на решітці в панелі телеметрії. BMU є центром, навколо якого застосовується оновлення сусідства.

Як карта навчається?

На кожному кроці вона вибирає колір, знаходить BMU, а потім підтягує BMU та сусідні нейрони до цього кольору за формулою w ← w + α·h·(x − w). Гаусів множник h означає, що ближчі нейрони рухаються сильніше за дальні, тому за тисячі ітерацій випадкові початкові ваги впорядковуються у плавний градієнт кольорів.

Що роблять кнопки вибору кольорового входу (Colour Input)?

Вони обирають розподіл, із якого вибираються кольори для навчання. Rainbow охоплює все коло відтінків, Warm — від червоного до жовтого, Cool — від блакитного до фіолетового, а Random обирає рівномірно випадкові значення RGB. Зміна входу скидає карту, оскільки вивчена структура відображає саме той розподіл, на якому відбувалося навчання.

Що контролює повзунок швидкості (Speed)?

Повзунок задає, скільки ітерацій навчання виконується за кадр анімації: Slow (10), Medium (50), Fast (200) або Blazing (800). Вищі швидкості дозволяють карті збігтися за кілька секунд, тоді як повільніші налаштування дають змогу спостерігати окремі оновлення BMU та поступове згладжування колірного поля.

Що таке α і σ і чому вони спадають?

α — це швидкість навчання (наскільки сильно нейрони рухаються до входу), а σ — радіус сусідства (наскільки далеко поширюється вплив). Обидва параметри спадають експоненційно, тут як α₀·exp(−t/4000) і σ₀·exp(−t/2500). Великі початкові значення забезпечують широке, глобальне впорядкування; менші значення уточнюють локальну структуру і дають карті усталитися.

Чому карта починається як випадковий шум?

576 вагових векторів ініціалізуються випадковими значеннями RGB, тож решітка спочатку виглядає як кольоровий шум. У міру навчання оновлення сусідства корелюють сусідні нейрони, і шум перетворюється на впорядковані ділянки схожих кольорів, демонструючи, як самоорганізація виникає виключно з локального конкурентного навчання.

Що означає «збереження топології» у цьому контексті?

Це означає, що входи, схожі в початковому просторі, відображаються на нейрони, розташовані поруч на решітці. Після навчання сусідні клітинки містять майже однакові кольори, а вся решітка утворює безперервний градієнт, тож двовимірна сітка достовірно відображає структуру тривимірного колірного простору.

Чи це точна самоорганізаційна карта?

Так. Вона реалізує стандартний алгоритм Кохонена: конкурентний вибір BMU за евклідовою відстанню, гаусову функцію сусідства та експоненційно спадні швидкість навчання й радіус. Для наочності вона спрощена до решітки 24×24 та 3-вимірних кольорових входів, але базове правило оновлення й графік спадання відповідають класичному формулюванню.

Чим SOM відрізняється від кластеризації k-means?

Обидва методи розміщують опорні вектори серед даних, але k-means розглядає кластери незалежно, тоді як SOM накладає фіксовану топологію решітки й оновлює нейрон разом із його сусідами. Цей зв'язок сусідства змушує сусідні одиниці SOM навчатися пов'язаних значень, утворюючи впорядковану карту, а не набір непов'язаних центроїдів.

Де самоорганізаційні карти застосовуються на практиці?

SOM застосовують для візуалізації даних, дослідницької кластеризації та зменшення розмірності в таких галузях, як організація документів і зображень, фінансова та клієнтська сегментація, виявлення несправностей і біоінформатика. Колірний приклад тут є класичною навчальною демонстрацією, оскільки впорядкування даних високої розмірності безпосередньо видиме як плавний градієнт.