1. 竞争性神经网络分类
● SOM（Self–Organizing Feature Maps）神经网络没有数据输出，提前不知道数据属于哪个类别
● LVQ（Learning Vector Quantization Networks）神经网络表示提前知道数据属于哪个类别
● 通用型神经网络：与上面两种网络结构不一样

2. 数据分类作用：
● 对于已有的海量数据有更好认知
● 对未来所收集的数据进行分类

3. 通用型竞争性神经网络

R为输入，dist为欧式距离加权函数（Euclidean distance weight function），||这个符号||叫范数,它事实上是由线性赋范空间到非负实数的映射
||ndist|| 表示为-根号(w1-r11)^2+(w2-r12)^2
再加上一个bias
每一个神经元都按照此种方式计算
在S个输出中，肯定有一个yn最小（距离最近），那么yn赢了

4. 神经网络的训练过程就是更新weight与bias。
4.1 weight的更新规则

通俗来说就是：weight更新后=更新前+alpha（输入值-更新前值） alpha自己设置，可能是0.5
这样weight越来越接近输入值或输入值的均值
4.2 bais的更新规则
防止weigh一开始就没选择好，某一个神经元或几个神经元总是竞争失败一直不更新。（dead neuron）
某个神经元在竞争中很少赢，那么将bias值变大，这样，这个神经元可能会赢，这样weight就又开始更新了。
● 经常赢的神经元，bias逐渐变小一点。
● 经常输的神经元，bias逐渐变大一点。
5 做一个小例子

p=[.1 .8 .1 .9; .2 .9 .1 .8] %输入数据
net = newc([0 1;0 1],2); %0 1表示第一个参数的区间在0-1
net.IW(1,1); %一开始都会选择平均值作为权重
biases = net.b{1};
net.trainParam.epochs = 500; %训练的次数为500次
net = train(net,p);
a = sim(net,p); %观察结果
ac = vec2ind(a);

结果

说明第一组和第三组输入属于第一类，
第二组和第四组输入属于第二类。