وتشكل الخرائط ذات التنظيم الذاتي نوع من الشبكات العصبية الاصطناعية المستخدمة في تصوير البيانات وتجميعها، وهي تنظم بيانات رفيعة المستوى في شبكة منخفضة الأبعاد، وتحافظ على العلاقات الطبوغرافية، ويعتبر فهم الحسابات الرياضية التي تقوم عليها المنظمات غير الحكومية أمرا أساسيا لتطبيقها الفعال.

بدء العمل بالمخطط

وتبدأ العملية ببدء تشغيل ناقلات الوزن في كل عقد من هذه الرموز في الخريطة، وعادة ما يتم تحديد الأوزان عشوائيا أو على أساس توزيع البيانات، وكل ناقل للوزن نفس البعد الذي تعطى به بيانات المدخلات.

إيجاد أفضل وحدة للربط

لكل ناقل للمدخلات، الخوارزمية تُحسب المسافة إلى كل ناقل وزن العقدة، أكثر القياسات شيوعاً هي مسافة (إكلين) المحسوبة على النحو التالي:

d = √i(xi] - w]i)(2)

(أ) إذا كان عنصر بيانات المدخلات هو () ] هو عنصر بيانات المدخلات، و(i) ] هو عنصر الوزن في العقد، ويُعرف العقد بأصغر مسافة على أنه وحدة الإزالة.

تحديث الوزن

وبعد تحديد وحدة تقييم الأداء، تُعدل أوزان وحدة مراقبة السلوك وجيرانها لتصبح أكثر تشابها مع ناقل المدخلات.

wnew = w]old + Á(t) * hci(t) * (x - wold)

Where Á(t) is the learning rate, hci(t) is the neighborhood function, and (x - w]old) is the difference between the input vector and the current weight vector.

تطبيقات الخرائط ذات التنظيم الذاتي

وتستخدم المنظمات غير الحكومية في مختلف الميادين لتحليل البيانات والتصوير البصري، وتساعد على تحديد الأنماط، ونقاط البيانات المشابهة للمجموعات، والحد من البعد، وتشمل التطبيقات المشتركة تحليل الصور، وتقسيم الأسواق، والمعلوماتية الحيوية.

  • تصور البيانات
  • التجميع
  • الاعتراف بالأدوات
  • استخراج الرفات