Bản đồ chức năng tự tổ chức (SOFM) học phân loại vector ngõ vào tùy theo chúng được nhóm vào không gian ngõ vào nào. Mạng này khác với các lớp cạnh tranh về mặt các neuron lân cận trong bản đồ tự tổ chức học nhận biết các phần lân cận của không gian ngõ vào. Vì thế bản đồ tự tổ chức học cả sự phân bố và cấu trúc liên kết của các vector ngõ vào.
Các neuron trong lớp SOFM ban đầu được sắp xếp theo vị trí vật lý tùy theo hàm cấu trúc liên
kết. Hàm gridtop, hextop hay randtop có thể sắp xếp các neuron dưới dạng lưới, lục giác
hoặc ngẫu nhiên. Khoảng cách giữa các neuron được tính dựa trên vị trí của chúng. Có bốn
hàm tính khoảng cách là dist, boxdist, linkdist và mandist. Khoảng cách liên kết thường
dùng nhất.
Ở đây mô tả mạng bản đồ chức năng tự tổ chức nhận dạng một neuron thắng i* sử dụng cùng thủ tục với lớp cạnh tranh. Tuy nhiên, thay vì chỉ cập nhật đối với neuron thắng, tất cả các neuron trong vùng lân cận Ni* (d) của neuron thắng sẽ được cập nhật bằng luật Kohonen. Đặc biệt, chúng ta sẽ điều chỉnh tất cả các neuron i∈ Ni*(d) như sau :
( ) (q = wq−1)+ (p( ) (q − wq−1))
w i i
i α
hoặc iw( ) (q = 1−α) (iwq−1)+αp( )q
Ở đây lân cận Ni*(d) chứa tất cả các chỉ số của tất cả các neuron nằm trong bán kính d của neuron thắng i*.
Phần 3_Chương 8 : Mạng Self-Organizing
{j d d}
d
Ni( )= , ij ≤
Vì thế khi có vector P vào mạng, các trọng số của neuron thắng và các neuron lân cận sẽ di chuyển về phía P. Kết quả sau nhiều lần xuất hiện vector P, các neuron lân cận sẽ học các vector tương tự của nhau.
Để minh họa khái niệm lân cận ta xem xét hình dưới. Giản đồ bên trái minh họa lân cận hai chiều có bán kính d = 1 quanh neuron thứ 13. Giản đồ bên phải minh họa lân cận bán kính d = 2.