Damit das Netz einen stabilen Zustand erreichen kann (also
etwas lernt), sind folgende Aspekte wichtig:
Zähler: Anzahl der Durchläufe (also, wie viele Inputvektoren dem Netz dargeboten und damit, wie oft Gewichtsmodifikationen vorgenommen
werden)
Radius der Nachbarschaft: Größe der bei Gewichtsanpassungen berücksichtigten Nachbarschaft
Lernparameter: bestimmt, wie stark die Gewichte zwischen den Input-Units und den betroffenen Output-Units verändert werden
Matrixgröße: Anzahl der Outputneuronen: Je mehr Output-Units das Kohonennetz umfasst, desto genauer kann eine Clusterung des Inputraumes
vorgenommen werden
Form der Nachbarschaftsfunktion: Die Nachbarschaftsfunktion bestimmt, in welcher Weise benachbarte Neuronen von Gewichtsveränderungen betroffen sind. Beispielsweise
kann die Stärke der Veränderung mit zunehmender Distanz vom Gewinner linear oder exponentiell abnehmen
Art und Weise, wie die oben genannten Parameter (Lernparameter, Radiusgröße, Nachbarschaftsfunktion) im Lerndurchgang verändert
werden
Dimension (2-dimensional, 3-dimensional, ..., n-dimensional) des Kohonennetzes