自組織特徵映射的神經網絡，神經元是在一個二維的網格代表特徵空間（最簡單的情況下）舉辦有競爭力。根據學 習規則，類似彼此在多維空間的載體，將在兩維空間的類似。SOFMs往往只是用來可視化n維空間，但其主要的應用是數據分類。
假設我們有一個描述一些對象（例如，汽車）的N維向量。每個向量元素是一個對象的參數（在與車的情況下，例如l：寬度，高度，重量，類型的發動機，功率，汽油罐容積，等）。每個這樣的參數是針對不同的對像不同。如果您需要尋找只有在這樣的載體，然後使用SOFMs來確定車的類型，你可以輕鬆地做到這一點。
SOFM的神經網絡由兩個層的神經元（圖1）。第一層實際上不是一個神經元層，它只能接收輸入數據，並傳輸到第二層，讓我們考慮簡單的情況下，當第二層的神經元組合成一個二維網格。其他結構，如三維的球體，圓柱體等，是本文的範圍。第三層的每個神經元連接的第二層的每個神經元。在第二層的神經元的數量可以任意選擇，並從任務到任務不同。第二層的每個神經元有其自身的權重向量，其維度是輸入層的維數等於。神經元是由鄰里關係，這就決定或地圖的拓撲結構連接到相鄰的神經元。這樣的鄰居關係被分配一個特殊的函數稱為拓撲鄰居（見下文）。
圖1。一個SOFM的神經網絡的架構
