在竞争网络结构的基础上，学习向量化（learning vector quantization，LVQ）网络被提出来，融合竞争学习思想和有监督学习算法的特点，通过教师信号对输入样本的分配类别进行规定，从而克服自组织网络采用无监督学习算法带来的缺乏分类信息的弱点。

1.    向量量化

向量量化的思路是，将高维输入空间分成若干不同的区域，对每个区域确定一个中心向量作为聚类的中心，与其处于同一区域的输入向量可用该中心向量来代表，从而形成了以各中心向量为聚类中心的点集。在图像处理领域常用各区域中心点（向量）的编码代替区域内的点来存储或传输，从而提出了各种基于向量量化的有损压缩技术。

在二维输入平面上表示的中心向量分布称为Voronoi图，如下图所示，前两篇博文介绍的胜者为王的学习规则以及SOFM竞争学习算法都是一种向量量化算法，能用少量聚类中心表示原始数据，从起到数据压缩作用。但SOFM的各聚类中心对应的向量具有某种相似的特征，而一般向量量化的中心不具有这种相似性。

自组织映射可以起到聚类作用，但无法直接分类或识别，因此它只是自适应解决模式分类问题两步中的第一步。且让我把第二步：学习向量量化，采用监督机制，在训练中加入教师信号作为分类信息对权值进行细调，并对输出神经元预先指定其类别。

2.    LVQ网络结构与工作原理

结构如下图所示：