自組織映射

它模擬人腦中處於不同區域的神經細胞分工不同的特點，即不同區域具有不同的響應特徵，而且這一過程是自動完成的。自組織映射網絡通過尋找最優參考矢量集合來對輸入模式集合進行分類。每個參考矢量為一輸出單元對應的連接權向量。與傳統的模式聚類方法相比，它所形成的聚類中心能映射到一個曲面或平面上，而保持拓撲結構不變。對於未知聚類中心的判別問題可以用自組織映射來實現。

自組織神經網絡是神經網絡最富有魅力的研究領域之一，它能夠通過其輸入樣本學會檢測其規律性和輸入樣本相互之間的關係，並且根據這些輸入樣本的信息自適應調整網絡，使網絡以後的響應與輸入樣本相適應。競爭型神經網絡的神經元通過輸入信息能夠識別成組的相似輸入向量；自組織映射神經網絡通過學習同樣能夠識別成組的相似輸入向量，使那些網絡層中彼此靠得很近的神經元對相似的輸入向量產生響應。與競爭型神經網絡不同的是，自組織映射神經網絡不但能學習輸入向量的分佈情況，還可以學習輸入向量的拓撲結構，其單個神經元對模式分類不起決定性作用，而要靠多個神經元的協同作用才能完成模式分類。

學習向量量化LVQ（learning vector quantization）是一種用於訓練競爭層的無監督學習（supervised learning）方法。競爭層神經網絡可以自動學習對輸入向量模式的分類，但是競爭層進行的分類只取決於輸入向量之間的距離，當兩個輸入向量非常接近時，競爭層就可能把它們歸為一類。在競爭層的設計中沒有這樣的機制，即嚴格按地區判斷任意兩個輸入向量是屬於同一類還是屬於不同類。而對於LVQ網絡用户指定目標分類結果，網絡可以通過監督學習，完成對輸入向量模式的準確分類。