در یک شبکه ي خودسازمانده که با (Map Organization Self(SOM یا برخی مواقع به صورت (Map Feature Organization Self(SOFM نشان داده می شود، واحدهاي پردازشگر در نرون هاي یک شبکه یک بعدي، دو بعدي یا بیشتر قرار داده می شوند. واحدها، در یک فرآیند یادگیري رقابتی نسبت به الگوهاي ورودي منظم می شوند. محل واحدهاي تنظیم شده در شبکه به گونه اي نظم می یابد که براي ویژگی هاي ورودي، یک دستگاه مختصات معنی دار روي شبکه ایجاد شود. لذا، یک نقشه ي خودسازمانده، یک نقشه ي توپوگرافیک از الگوهاي ورودي را تشکیل می دهد که در آن، محل قرار گرفتن واحدها، متناظر ویژگی هاي ذاتی الگوهاي ورودي است. شکل زیر ،یک نمونه شبکه عصبی SOM را نشان می دهد

یادگیري رقابتی که در این شبکه به کار گرفته می شود، بدین صورت است که در هر قدم یادگیري، واحدها، با یکدیگر به رقابت می پردازند. در پایان یک مرحله ي رقابت، تنها یک واحد برنده میشود که وزن هاي آن نسبت به وزن هاي سایر واحدها به شکل متفاوتی تغییر داده می شود. الگوریتم کلی SOM شامل مراحل زیر است:
 انتخاب توپولوژي لایه خروجی شبکه.
o مقدار دهی اولیه ي فاصله همسایگی جاري به یک مقدار مثبت.
 مقدار دهی اولیهي وزنها با مقادیر تصادفی کوچک.
t=1 
 تا زمانی که از کران شمارش تجاوز نکرده است کارهاي زیر انجام میگیرد:
o یک نمونه ورودي il انتخاب می شود.
o توان دوم فاصله il از بردار وزن ها (فاصله اقلیدسی) براي بردار خروجی از فرمول زیر
به دست می آید:
Node خروجی اي (*j )که داراي کمترین مقدار محاسبه شده در مرحله ي قبل
است، انتخاب می شود. این نود، نود برنده است

در مرحله ي آخر نیز پس از اعمال ورودي X ،بردارهاي وزن نرون برنده و تمامی نرون هاي همجوار ( همجوار به شعاع d ) به سمت بردار ورودي X ،به روزرسانی می شوند.

پایان حلقه

این شبکه، از یک الگوریتم یادگیري بدون مربی بهره میگیرد و ابزار قدرتمندي است که در کاربردهاي زیادي مانند داده کاوي و کلاسبندي داده ها به کار گرفته میشود این نوع شبکه عصبی
بیشترین شباهت را با پدیده هاي زیستی دارد و بر اساس نظریه هاي “( WTA (Winner takes “یعنی برنده همه چیز را میبرد و “(WTM (most takes Winner “یعنی برنده بیشتر میبرد، بنا نهاده شده است.
بنابراین، به طور خلاصه میتوان نحوه عملکرد SOM را اینگونه بیان کرد: اگر بخواهیم دادهها را به n دسته تقسیم کنیم، n نرون را براي لایه خروجی در نظر میگیریم. بنابراین، ماتریس وزنها داراي ابعاد m*n خواهد بود که m نیز اندازهي عناصر هر یک از نمونههاي ورودي است که مقداردهی اولیه وزنها با مقادیر تصادفی کوچک صورت میگیرد. سپس هر دادهي ورودي را با هر یک از سطرهاي ماتریس وزن مقایسه (با استفاده از فاصله اقلیدسی یا معیارهاي شباهت) و به هرکدام که نزدیکتر بود نروkمتناظر با آن سطر را برنده اعلام کرده و آن سطر از ماتریس وزن را به روزرسانی میکنیم ((در بعضی انواع طراحی این نوع از شبکه عصبی گاهی وزن هاي متصل به نرون همسایه با نرون برنده نیز به روز رسانی می شود)).

منبع : پایان نامه های دانشگاه صنعتی شاهرود