【竞争神经网络】是无监督学习的一种方法，它在没有预先设定的类别信息情况下，能够自动组织和挖掘输入数据的特征。这种网络主要用于输入数据的聚类处理，将输入信息进行有效的分组。竞争神经网络通常用作预处理单元，通过对输入信息进行特征提取或矢量量化，为后续的监督式学习做好准备。
竞争学习规则是此类网络的核心机制。在网络中，各个神经元之间通过竞争来决定哪个神经元会成为"胜者"，即对当前输入响应最大的神经元。这种竞争过程通常遵循"胜者通吃"的原则，即只有获胜的神经元会进行学习和权重更新，而其他神经元则保持不变。在简单的竞争学习中，只有获胜神经元的权重会被调整；而在自组织映射（SOFM，Self-Organizing Feature Mapping）中，获胜神经元及其邻近的神经元都可能参与学习。
竞争神经网络有多种实现形式，包括ART（Adaptive Resonance Theory）、SOFM（Self-Organization Feature Mapping）、PCA（Principal Components Analysis）和SNN（Synergetic Neural Network）。这些模型各有特点，如ART用于适应性共振理论，能够动态地适应新出现的模式；SOFM则是一种自组织特征映射，通过竞争和局部学习来形成数据的拓扑结构；PCA主要用来降维，找出输入数据的主要成分；SNN则是协同神经网络，强调网络中各神经元之间的协同作用。
竞争学习的目的在于通过聚类过程，使得输入矢量与特定输出节点的权重矢量逐渐接近。在训练结束时，对于某一类输入模式，网络中会有且只有一个输出节点产生最大响应，其权重矢量代表或等于该输入模式。这种特性使得竞争神经网络在样本特征检测、排序、聚类、分类、检测以及分布特征可视化等领域有着广泛应用。
网络结构通常包含输入层和竞争层。输入层的所有节点与竞争层的每个节点都存在全连接，竞争层的每个节点接收加权输入和，并通过一定的准则（如欧氏距离）确定最接近输入的获胜节点。随后，根据特定的学习规则，调整获胜节点的权重，以更准确地匹配输入模式。
在权重调整过程中，通常有两种方式：一种是简单的竞争学习，只允许获胜节点的权重变化；另一种是自组织映射，不仅获胜节点，还包括其邻近的节点权重都会得到更新。例如，如果输入是一个二维向量，网络可能包含多个神经元，每个神经元通过计算其权重矢量与输入向量之间的距离来竞争。最接近的神经元将被选为获胜者，然后其权重矢量会按照一定的学习率和学习规则（如Hebbian规则）朝输入向量的方向调整，以优化其对输入模式的代表性。
竞争神经网络是无监督学习的重要工具，通过竞争学习和权值调整机制，能够自动发现输入数据的内在结构和聚类关系，为后续的分析和处理提供基础。这种网络模型在实际应用中，如图像处理、自然语言处理、数据分析等场景，都有显著的效果。
