案例背景 LVQ 神经网络概述学习向量量化 (I
earning Vector Quantization ，Lvo)神经网络是一种用于训练竞争层的有监督学习 ( supervised learning) 方法的输入前向神经网络，其算法是从Kohonen 竞争算法演化而来的
LVQ神经网络在模式识别和优化领域有着广泛的应用
1．LVQ 神经网络的结构LVQ神经网络由3 层神经元组成，即输入层、竞争层和线性输出层，如图26 -1 所示
输入层与竞争层之间采用全连接的方式，竞争层与线性输出层之间采用部分连接的方式
竞争层神经元个数总是大于线性输出层神经元个数，每个竞争层神经元只与一个线性输出层神经元相连接且连接权值恒为1
但是，每个线性输出层神经元可以与多个竞争层神经元相连接
竞争层神经元与线性输出层神经元的值只能是1 或 O
当某个输入模式被送至网络时，与输入模式距离最近的竞争层神经元被激活，神经元的状态为 “1”，而其他竞争层神经元的状态均为“ 0”
因此，与被激活神经元相连接的线性输出层神经元状态也为“1”，而其他线性输出层神经元的状态均为“O”
图-学习向量量化网络图 26 -1 中， p 为 R 维的输入模式；为竞争层神经元个数；I为输入层与竞争层之间的连接权系数矩阵；为竞争层神经元的输入；为竞争层神经元的输出；L为竞争层与线性输出层之间的连接权系数矩阵；为线性输出层神经元的输入；为线性输出层神经元的输出
2．LVQ神经网络的学习算法LVQ神经网络算法是在有教师状态下对竞争层进行训练的一种学习算法，因此 Lvo算法可以认为是把自组织特征映射算法改良成有教师学习的算法
LVQ神经网络算法可分为ILVQ 1算法和 LVQ 2算法两种
(1) LVQ 1算法向量量化是利用输入向量的固有结构进行数据压缩的技术，学习向量量化是在向量量化I 基础上能将输入向量分类的监督学习技术
