学习矢量量化（LVQ）

一 自组织竞争神经网络 net=newc([0 1;0 1],2)
1. 网络结构
单层神经元网络 输入节点与输出节点之间全互联
竞争是神经元之间的竞争；当神经元赢时，该神经元输出为1，否则为0。
2. 训练过程
权值调整――Kohonen学习规则：dw=learnk(w,p,[],[],a,[],[],[],[],[],lp,[]);
只对获胜的神经元权值进行调整，使得网络的权值趋向于输入向量。结果，获胜的神经元对将来再次出现的相似向量（能被阈值b所包容的）更加容易赢得该神经元的胜利。最终实现了对输入向量的分类。
阈值调整――阈值学习规则：[dB,LS]=learncon(B,P,Z,N,A,T,E,gW,gA ,D,LP,LS)
使经常活动的神经元的阈值越来越小，并且使得不经常活动的神经元活动更加频繁。

二 自组织特征映射（SOFM）神经网络
1. 网络结构
在结构上模拟了大脑皮层中神经元呈二维空间点阵的结构

输入层和竞争层组成单层神经网络 ：
输入层：一维神经元 n节
竞争层：二维神经元拓扑结构 相互间可能有局部连接

拓扑结构： 矩形网格 gridtop（）
六角形 hextop（）
随机结构 randtop（）

神经元间距: 欧氏距离 dist（）；box距离 boxdist（）；
link距离 linkdist()；manhattan距离 mandist（）

1. 训练过程
   对获胜节点及半径k内节点进行权值调整，且k越来越小，直到只包含获胜节点本身为止；这样，使得对于某类模式，获胜节点能作出最大响应，相邻节点作出较少响应。
   权值调整――learnsom()：
   排序阶段：学习率由初始值下降至调整阶段学习率；邻域大小由最大神经元距离减小到1
   调整阶段：学习率缓慢下降，直到0；邻域大小一直为1。学习矢量量化（LVQ）神经网络
2. 网络结构
   竞争层（隐层）＋线性层
   线性层的一个期望类别对应竞争层中若干个子类
3. 学习规则
   竞争层将自动学习对输入向量进行分类，这种分类的结果仅仅依赖于输入向量之间的距离。如果两个输入向量特别相近，竞争层就把他们分在同一类。

详细介绍见：http://www.doc88.com/p-8495503025413.html

function [dw,ls] = learnlv3(w,p,z,n,a,t,e,gW,gA,d,lp,ls)
%LEARNLV2 LVQ2 weight learning function.
%
%   Syntax
%   
%     [dW,LS] = learnlv3(w,p,n,a,T,lp,ls,Ttrain,C)
%     info = learnlv2(code)
%
%   Description
%
%     LEARNLV3 is the OLVQ weight learning function.
%
%     LEARNLV2(W,P,Z,N,A,T,E,gW,gA,D,LP,LS) takes several inputs,
%       W  - SxR weight matrix (or Sx1 bias vector).
%       P  - RxQ