自组织特征映射网络（Self-Organizing Feature Mapping，简称SOM）是一种人工神经网络，由芬兰学者科霍恩（Tuevo Kohonen）教授于1981年提出。SOM网络旨在模拟生物神经系统中神经细胞之间的“侧抑制”现象，通过模拟这种竞争性抑制机制，网络能够实现无导师学习，自动将输入数据映射到高维空间的低维表示上。
SOM网络的结构通常由输入层和竞争层组成。输入层负责接收外部数据，竞争层则由多个神经元构成，神经元之间存在横向连接，且每个连接线都赋予了特定的权值。这些权值在SOM网络的训练过程中会被不断调整，以实现对输入数据的分类和特征提取。
SOM网络的学习算法包括“胜者为王”规则和Kohonen规则。在学习过程中，竞争层中的神经元相互竞争，每次只有一个神经元被激活，即成为“获胜神经元”。获胜神经元及其邻居神经元的权值会根据输入数据进行调整，这个过程称为竞争学习。
SOM网络的应用非常广泛，包括数据可视化、模式识别、分类和聚类分析等多个领域。由于其能够将高维数据在无导师的情况下映射到低维空间，因此SOM网络被广泛应用于复杂数据的初步分析和探索性数据分析中。
SOM网络的主要类型包括自组织特征映射网络（SOM）、对偶传播神经网络（Counter Propagation Network，CPN）和自适应共振理论网络（Adaptive Resonance Theory，ART）等。对偶传播神经网络将前馈神经网络的结构与无导师学习算法相结合，能够同时利用有监督和无监督学习的特点，提高网络的学习效率。自适应共振理论网络则是一种更为复杂的神经网络模型，它能够自组织地产生对环境认识的编码，ART理论提出了多种模型结构，如ART1、ART2和ART3，可用于语音、视觉、嗅觉和字符识别等领域。
SOM网络的发展历程显示，自提出以来，它经历了快速的发展，并在多个领域得到了应用。SOM网络的基本概念、拓扑结构、学习算法及其应用构成了该网络的核心知识点。在学习和研究SOM网络时，理解其生物学基础、竞争学习规则以及网络结构对实现高效的无导师学习至关重要。通过不断调整神经元之间的连接权值，SOM网络能够在高维空间中创建出有意义的拓扑映射，从而在诸如数据聚类、图像处理、市场分析等复杂数据集上发现潜在的模式和结构。
