有几篇论文提出了模糊 SOM。

Petri Vorimaa，“模糊自组织图”，模糊集和系统 第 66 卷，第 2 期，1994 年 9 月 9 日，第 223-231 页。

Kohonen 的自组织图是最著名的神经网络模型之一。在本文中，我们介绍了该模型的一个模糊版本，称为：模糊自组织图。我们用模糊规则替换原始模型的神经元，这些规则由模糊集组成。模糊集定义了输入空间中的一个区域，每个模糊规则都会在该区域触发。每个规则的输出都是一个单例。输出通过加权平均值组合在一起，其中模糊规则的触发强度充当权重。加权平均值为系统提供了连续的值输出。因此，模糊自组织映射执行从 n 维输入空间到一维输出空间的映射。模糊自组织图的学习能力使其能够将连续值函数建模到任意精度。学习是通过首先根据 Kohonen 的自组织图学习定律自组织模糊集的中心来完成的。之后，模糊集和模糊规则的输出被初始化。最后，在新学习方法的最后阶段，模糊集通过类似于 Kohonen 的学习向量量化 2.1 的算法进行调整。二维sinc函数的仿真结果显示出良好的精度和快速的收敛性。

Janos Abonyi、Sandor Migaly 和 Ferenc Szeifer，“基于正则化模糊的模糊自组织图$c$-意味着聚类”

本文提出了一种新的模糊聚类算法，用于高维数据的聚类和可视化。聚类中心排列在一个网格上，该网格定义在一个易于可视化的小维空间上。这种映射的平滑度是通过在模糊中添加正则化项来实现的$c$-意味着（FCM）功能。平滑度的度量表示为聚类中心的二阶偏导数之和。用颜色对聚类中心的值进行编码，不同颜色的区域在地图上演变，变量之间的隐藏关系显露出来。与模糊现有修改的比较$c$给出了-means算法和几个应用实例。