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.
Prinzip: "The Winner takes it all."
Beim Competitive Learning können drei verschiedene Phasen unterschieden werden:
Erregung (excitation): Zunächst wird wie gewohnt für alle Output-Units
der Netzinput durch folgende Formel bestimmt:
netinputi = j
aj wij
Wettbewerb (Competition): Anschließend werden die
Netzinputs sämtlicher Output-Units miteinander verglichen.
Diejenige Unit mit dem höchsten Netzinput ist der Gewinner.
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 (aj - wij).
Auch dies lässt sich wiederum als Formel darstellen,
wobei wie gewohnt ein zuvor festgelegter Lernparameter ist:
wij
= ( aj - wij )