Competitive Learning

Im Gegensatz zum Backpropagation-Verfahren kommt das kompetitive Lernen ohne Vorgabe eines korrekten, externen Output-Reizes aus, an dem die Gewichte adjustiert werden. Stattdessen ist das Lernen nach dieser Lernregel unsupervised, da das neuronale Netz hier anhand der Ähnlichkeit der präsentierten Input-Reize eine Kategorisierung vornimmt.

Beim Competitive Learning können drei verschiedene Phasen unterschieden werden:

1. Erregung (excitation): Zunächst wird wie gewohnt für alle Output-Units der Netzinput durch folgende Formel bestimmt: netinput_i = _j a_j w_ij
2. Wettbewerb (Competition): Anschließend werden die Netzinputs sämtlicher Output-Units miteinander verglichen. Diejenige Unit mit dem höchsten Netzinput ist der Gewinner.
3. Adjustierung der Gewichte (weight adjustment): Im letzten Schritt werden die Gewichte verändert und zwar bei allen Verbindungen, die zur Gewinner-Unit führen. Alle anderen Gewichte werden nicht verändert ("The Winner takes it all." - Prinzip). Die Gewichte zum Gewinner werden so modifiziert, dass sie dem Input ähnlicher gemacht werden (a_j - w_ij). Auch dies lässt sich wiederum als Formel darstellen, wobei wie gewohnt ein zuvor festgelegter Lernparameter ist: w_ij = ( a_j - w_ij )