🧠

自组织特征映射 (Kohonen 映射) - 再访主题·进阶篇

（2/3）· 上篇铺了概念，这篇直接拆开基础类、范形加载与训练循环的代码骨架

含代码示例偏理论第 2/3 篇

不少人在 MT5 里跑 Kohonen 网络时，初始化权重随手用 rand() 就开训，结果一堆神经元从头到尾没赢过竞争，白白占着内存。死神经元不是玄学，是初始化和抽样方式两个环节同时失控的产物。

本章目录

自组织映射网络的类继承骨架
从 somnet 文件把训练好的 SOM 网络挂进 EA
用 CSOM_Net_Data 把范形文件喂给网络
训练循环与网络落盘的格式约定

自组织映射网络的类继承骨架

在 MT5 里做自组织映射（SOM）聚类，先得把网络对象的结构搭清楚。下面这段定义用三层继承把「数据—训练—可视化」拆开，实际跑的时候你只要实例化最底层的 CSOM_Net_Demonstration 就能复用全部能力。 CSOM_Net_Train 继承自 CSOM_Net_Data，负责拿参数和跑训练。InitParameters 接收三个整型：迭代次数、网格横向格数 xcells、纵向格数 ycells；Train 执行训练循环；SaveNet 把权重落盘到指定文件。它里面两个虚函数 Render 和 ShowBMP 是空壳，专门留给子类填图形逻辑。 CSOM_Net_Img 在训练层之上接管图像。它的 InitParameters 重载后多了 bmpwidth、bmpheight 以及六边形格点开关、边框/标题显示、配色方案和最大图案数等 7 个参数，说明可视化维度完全可配。Render 和 ShowBMP 在这里有了实体，NetDeinit 负责把图表上的位图清掉，避免重复叠加。最外层的 CSOM_Net_Demonstration 只加了一个 ShowTrainPatterns，演示怎么用子类扩展来把训练样本投到网格上。继承链越长，越方便你在不碰训练核心的前提下改显示逻辑。外汇与贵金属行情高波动，用 SOM 做状态划分时样本窗口过短可能令聚类结果失真，建议先用历史数据离线验证。

MQL5 / C++

class CSOM_Net_Train : class="kw">public CSOM_Net_Data
  {
class="kw">public:
  class=class="str">"cmt">//--- 函数初始化网络, 获取参数
  class="type">void              InitParameters(class="type">int iterations,class="type">int xcells,class="type">int ycells);
  class=class="str">"cmt">//--- 函数用于训练网络
  class="type">void              Train();
  class=class="str">"cmt">//--- 函数用于保存网络到文件中 
  class="type">void              SaveNet(class="type">class="kw">string file_name);
  class=class="str">"cmt">//--- 虚函数 (实体描述在 CSOM_Net_Img 子类中) 
  class="kw">virtual class="type">void      Render(){};
  class="kw">virtual class="type">void      ShowBMP(class="type">bool back){};
  };
  
class CSOM_Net_Img : class="kw">public CSOM_Net_Train
  {
class="kw">public:
  class=class="str">"cmt">//--- 函数初始化网络, 获取参数
   class="type">void             InitParameters(class="type">int iterations,class="type">int xcells,class="type">int ycells,
                                  class="type">int bmpwidth,class="type">int bmpheight,
                                  class="type">bool p_HexagonalCell,class="type">bool p_ShowBorders,class="type">bool p_ShowTitles,
                                  class="type">int p_ColorScheme,class="type">int p_MaxPictures);
  class=class="str">"cmt">//--- 函数用来显示网络状态
  class="type">void              Render();
  class=class="str">"cmt">//--- 函数用来在图表上显示 bmp 图像  
  class="type">void              ShowBMP(class="type">bool back);
  class=class="str">"cmt">//--- 函数用于保存资源到 bmp 文件中
  class="type">void              SaveBMP();
  class=class="str">"cmt">//--- 逆初函数, 从图表上移除 BMP 图像
  class="type">void              NetDeinit();
  };
  
class CSOM_Net_Demonstration : class="kw">public CSOM_Net_Img
  {
class="kw">public:
  class=class="str">"cmt">//--- 函数 - 使用子类来增加机会的例子
  class="type">void              ShowTrainPatterns();
  };

「从 somnet 文件把训练好的 SOM 网络挂进 EA」

做 SOM 网络实测时，第一步往往是把离线训练好的网络加载进智能交易程序。示例里约定用带 somnet 扩展名的二进制文件存网络，加载时只需传文件名，扩展名会自动补上，避免把不适于算法识别的文件误读进来。加载逻辑集中在 DownloadNet(string file_name) 函数。文件头部先写三个双精度单元：第一个存「范形维度 + 6」，多出的 6 个字段留给节点坐标；后两个分别是 m_xcells 与 m_ycells，即网络可视范围的 x、y 尺寸，两者相乘就是节点总数。头部之后按序读入各节点数据向量，直到整个网络读完。网络就位后，示例用常数填充待识别的 vector[] 仅作演示。核心在 BestMatchingNode 的三种用法：不传掩码时遍历全部字段；先用 InitSetByteMap 设掩码可按字段过滤，实现不完整信息匹配；或调用带 dimension 参数的重载，直接指定参与比对的字段数。参数里指定网络路径时，注意相对 MT5 的 Files 目录。下面这行输入就是告诉 EA 去 SOM 子目录找 SOM_Net 这个网络。

MQL5 / C++

class="kw">input class="type">class="kw">string SOM_Net="SOM\\SOM_Net";

◍ 用 CSOM_Net_Data 把范形文件喂给网络

Sample2_SOM_Net_Data 演示了 CSOM_Net_Data 类的用法，它继承自 CSOM_Net_Base，因此自带基类全部方法，并额外提供加载范形数据的接口。这个类本质是为后续接解析器做准备：解析出来的范形既能用于训练，也能直接拿去做识别。文件名的传递靠一个 input 参数，必须带扩展名写全名，例如 "SOM\\optim.csv"。底层用 FILE_CSV 标志打开文件，随后复用前一示例的网络加载、文件加载、文件解析、循环识别与打印流程即可。解析器对格式有硬要求：首行必须是列名标题，缺失的话解析器会切掉首行样本并自动补列名。每一列存同一深度的范形字段，每一行是一个完整向量，也就是向量横向排、同字段纵向对齐。解析后，范形进入内置的 m_patterns_sets_array，列头写入 m_som_titles，行号写入 m_patterns_titles。这样按行号回查某个范形毫无障碍，开 MT5 把 optim.csv 丢进 SOM 目录就能验证加载链路。外汇与贵金属品种波动剧烈，范形识别仅作概率参考，实盘前务必小仓位验证。

MQL5 / C++

class="kw">input class="type">class="kw">string DataFileName="SOM\optim.csv";

训练循环与网络落盘的格式约定

Sample3_SOM_Net_Train 是系列里最值得扒的一段：它挂上 CSOM_Net_Train 基类之后，就能脱离图表自动跑 Kohonen 映射训练，后面继承的类只负责图形外壳。Render() 和 ShowBMP(bool back) 被声明成虚函数且空实现，真正画图的逻辑丢到 CSOM_Net_Img 子类里，这样无图训练时不报冲突。训练前要用 InitParameters(int iterations,int xcells,int ycells) 把迭代次数和网络网格尺寸塞进网络；Train() 里先初始化均匀分布、算范形最大最小列、在随机范围内置节点，再把实际迭代抽成 TrainIterations(int &p_iter)，方便改算法的人直接定位。落盘格式是硬约定：网络数据全转成 double 一维数组。头部前 5 个 double 分别是 6+dimension_node（范形维数加 6 个节点附加坐标字段）、m_xcells、m_ycells、m_xsize、m_ysize；随后逐个节点抄 6 个基准坐标加权重。标题枚举放在文件尾，因为预测所需内存大小事先算不出。外汇与贵金属模型训练涉及高风险，回测结论仅代表历史样本概率倾向。读网和存网必须成对写，DownloadNet 按相同 double 流解析才不会错位。下面两个函数签名就是这套机制的出入口，开 MT5 把 Sample3 跑通后，改文件名就能验证存读同步。

MQL5 / C++

class="type">void CSOM_Net_Train::SaveNet(class="type">class="kw">string file_name)
class="type">bool CSOM_Net_Base::DownloadNet(class="type">class="kw">string file_name)