也称为SOM，最早是用在数据可视化上面，它能够通过自学习、竞争学习的方式，把训练数据给映射到中间这张蜂窝图上，上面颜色代表两两之间的距离，颜色越偏蓝（偏下方）代表距离越近，也就是代表聚类越靠近，越偏红（偏上方）代表距离越远，比较多的红色的出现代表两类之间的一个分界线。这个自组织映射神经网络，可以用于解决无监督问题，就是不知道有多少个种类，也不知道它的类标签是什么，就可以先用这个SOM（也叫U-Matrix）去看一下整体的状态。当前也可以解决有监督的问题，就是我当天已经给他打上了标签，用这些数据去做。
SOM健康指标我们用的是最小量化误差方法（MQE），它的整体步骤是，首先训练出一个U-matrix，然后我拿到一个当前状态的一系列特征向量，把它放到这个U-matrix里面去看它处于哪个位置（当前位置），找到离它最近的一个叫best matching unit（也就是bmu），然后算出当前位置和bmu之间的欧式距离，这个距离就称为MQE，MQE就可以用来评估它的一个健康状态。像右边这一张图就是一个实例，下面的first 16 Samples，MQE值是0.2，然后越往后就是它已经出现了故障的时候，MQE值就会大幅地上升，而这个值如果在无监督的学习里面，是没有办法把MQE值归一化到0～1之间的，如果想这么去做的话，就需要更多的故障数据作为这个值的一个上限，有了上限和下限，我们就可以归一化到0～1之间。
5.自联想神经网络
它的网络结构是如左图所示，分为输入层、映射层、瓶颈层、解映射层、输出层，输出层、输入层的个数是相同的，并且每个神经元代表的实际意义也是相同的，它的思想在于我们有非常多的特征向量，但是这些向量之间可能会有一些非线性的关联关系，这些如果用普通的相关性分析方法没有办法挖掘出来，需要用自联想神经网络把数据之间的多维特征之间的非线性关联关系给挖掘出来，这时候我们去通过一些训练数据去训练出这个自联想神经网络模型以后，然后健康状态有个模型，然后把当前状态的数据放到这个模型里面，同步去计算出来一个模型拟合的残差，这个残差值越大，就说明它离健康状态的偏移程度越高，它主要是把这种特征之间的线性关系给挖掘出来。右边给出的这几个公式，是我们在构建自联想神经网络的时候需要注意的一些超参数的选择问题，它用的健康指标是模型残差，后面我们会在案例里详细介绍。
在这里有个示例，健康的风速仪在整个模型拟合的时候，发现每个样本拟合的非常好，衰退的风速仪，发现模型拟合的非常不好，对模型拟合的残差计算出来，会有进一步的分析。
四、案例分析：风速仪健康评估
