Self-Organizing Neural Networks: Recent Advances and Applications

نقشه خودسازماندهی (SOM) یکی از پرکاربردترین معماری‌ها برای شبکه‌های عصبی مصنوعی بدون نظارت است. SOM ها که توسط Teuvo Kohonen در دهه 1980 معرفی شدند، به عنوان یک روش بسیار قدرتمند برای تجسم و وظایف طبقه بندی بدون نظارت توسط جامعه فعال و نوآوری از محققان بین المللی توسعه یافته اند. در طول دو دهه اخیر تعدادی از الحاقات و اصلاحات ایجاد شده است. مطمئناً دلیل این نیست که الگوریتم اولیه ناقص یا نامناسب بوده است. بلکه کاربرد جهانی و مدیریت آسان SOM است. در مقایسه با بسیاری از پارادایم های شبکه دیگر، فقط چند پارامتر باید مرتب شوند و بنابراین برای یک مبتدی نیز شبکه به نتایج مفید و قابل اعتمادی منجر می شود. با این حال، همانطور که این کتاب به طرز چشمگیری نشان می دهد، زمینه ای برای پیشرفت ها و پیشرفت های جدید پیچیده وجود دارد. به نظر می رسد تعداد برنامه های منتشر شده که از SOM استفاده می کنند پایان ناپذیر باشد. همانطور که عنوان این کتاب نشان می دهد، خواننده از برخی از آخرین پیشرفت های نظری بهره مند خواهد شد و با تعدادی از برنامه های چالش برانگیز در دنیای واقعی آشنا می شود. هدف ما از تولید این کتاب ارائه یک درمان به روز در زمینه شبکه های عصبی خودسازمانده بوده است که برای محققان، متخصصان و دانشجویان فارغ التحصیل رشته های مختلف دانشگاهی و صنعتی قابل دسترسی باشد. ما از پدر SOM ها، پروفسور Teuvo Kohonen برای حمایت از این کتاب و کمک به فصل اول بسیار سپاسگزاریم.

The Self-Organizing Map (SOM) is one of the most frequently used architectures for unsupervised artificial neural networks. Introduced by Teuvo Kohonen in the 1980s, SOMs have been developed as a very powerful method for visualization and unsupervised classification tasks by an active and innovative community of interna­ tional researchers. A number of extensions and modifications have been developed during the last two decades. The reason is surely not that the original algorithm was imperfect or inad­ equate. It is rather the universal applicability and easy handling of the SOM. Com­ pared to many other network paradigms, only a few parameters need to be arranged and thus also for a beginner the network leads to useful and reliable results. Never­ theless there is scope for improvements and sophisticated new developments as this book impressively demonstrates. The number of published applications utilizing the SOM appears to be unending. As the title of this book indicates, the reader will benefit from some of the latest the­ oretical developments and will become acquainted with a number of challenging real-world applications. Our aim in producing this book has been to provide an up­ to-date treatment of the field of self-organizing neural networks, which will be ac­ cessible to researchers, practitioners and graduated students from diverse disciplines in academics and industry. We are very grateful to the father of the SOMs, Professor Teuvo Kohonen for sup­ porting this book and contributing the first chapter.