摘要
自组织映射（Self-Organizing Map, SOM）是一种受大脑启发的神经模型，在无监督学习中具有很大的潜力，特别是在嵌入式应用中。然而，当处理复杂数据集时，SOM 无法学习到高效的原型。在本研究中，我们提出通过使用提取的特征而非原始数据来提高 SOM 的性能。我们进行了一个比较研究，探讨了使用两种不同的方法进行无监督特征提取对 SOM 分类准确性的影响：一种是基于机器学习的方法，使用梯度学习的稀疏卷积自编码器（Sparse Convolutional Auto-Encoders）；另一种是基于神经科学的方法，使用依赖于脉冲时间的可塑性学习（Spike Timing Dependant Plasticity, STDP）的脉冲神经网络（Spiking Neural Networks）。SOM 在提取的特征上进行训练，然后利用少量标记样本对神经元进行标记，以对应其所属类别。我们研究了特征图、SOM 尺寸以及标记子集大小对分类准确性的影响。通过这些方法，我们将 SOM 的分类性能提高了 6.09%，并在无监督图像分类方面达到了当前最先进的水平。