人工智能原理

　　而权的修正则对Wc和y_j∈Nc中W_j进行，具体算法为：
　　1. 初值权W_j= W_j(0)，j = 0,…,n₂,为一个小的随机量；t = 0。
　　2. 在样本X¹,X²,…,X^p中，任取一个样本作为网络的输入。
　　计算
　　

　　j=1, 2,…, n1,取其中最大的d_j，对应于的y_j最大，作为竞争得胜的神经元，取c为相应的j。
　　3. 对权W_j进行修改：
　　

　　其中，
　　

　　修正的区域Nc(t)，一开始很大，约为输出平面的1/2，中心点为j，形状可用正方形或六角形，然后每次迭代时该面积按下面公式减少：
　　

A₁,A₂,τ为常数
　　4. t=t+1，回到步骤2，直到在输出神经元平面上的兴奋神经元相对输入样本稳定，或训练次数达到预定最大训练次数T为止。
　　网络的输出层可以设计成二维的，也可以是一维的。