Kohonenova samoorganizační mapa – adaptační dynamika

Odlišnost Kohonenovy mapy od jednoduché samoorganizační mapy je ve fázi adaptační dynamiky, která bere v úvahu geometrické uspořádání detektorů. Adaptace je opět založena na předkládání vstupů z trénovací množiny. Po předložení vektoru je opět určen vítězný neuron, stejně jako v předcházejícím případě. Nicméně poté nejsou upravovány jen váhy vítězného neuronu, ale dochází i k modifikaci vah, které se nacházejí v geometrickém okolí vítěze dle vztahu Soutěživé sítě (12).

Obvyklý postup je takový, že v počáteční fáze adaptace je upravované široké okolí vítěze, zpravidla zahrnující celou síť. Poté modifikované okolí postupně klesá. Obvykle s klesajícím okolím klesá i hodnota parametru která určuje rychlost učení. Tento postup přitáhne reprezentanty do míst, kde se nachází nevyšší koncentrace vstupů z trénovací množiny.  Dochází tak k minimalizaci chyby klasifikace přes trénovací množinu ve smyslu minimalizace střední kvadratické odchylky vstupních vektorů od reprezentantů.

Parametr  nemusí být konstantní ani z pohledu vzdálenosti od vítězného reprezentanta a jeho hodnota může se vzdáleností od vítěze klesat, například dle gaussovy funkce se středem ve vítězném neuronu. Uvedený postup vede také k tomu, že reprezentanti, kteří jsou si blízcí ve smyslu topologického uspořádání například na mřížce, jsou si po adaptaci blízcí i v originálním prostoru vstupů.