顾名思义，这种学习无需老师的监督即可完成。这个学习过程是独立的。在无监督学习下训练ANN的过程中，将相似类型的输入向量组合起来形成聚类。当应用新的输入模式时，神经网络会给出输出响应，指示输入模式所属的类。在这种情况下，对于期望的输出应该是什么以及输出是正确还是不正确，环境将没有反馈。因此，在这种类型的学习中，网络本身必须从输入数据中发现模式，特征以及输出上输入数据的关系。

赢家通吃所有网络

这些类型的网络基于竞争性学习规则，并将使用其选择总输入量最大的神经元作为赢家的策略。输出神经元之间的连接显示了它们之间的竞争，其中一个竞争为“开”，这意味着它将是赢家，而其他竞争将为“关”。

以下是一些使用无监督学习的基于此简单概念的网络。

海明网络

在大多数使用无监督学习的神经网络中，计算距离并进行比较至关重要。这种网络是汉明网络，其中对于每个给定的输入向量，它将被聚集到不同的组中。以下是汉明网络的一些重要功能-

• Lippmann于1987年开始从事汉明网络的研究。

• 它是一个单层网络。

• 输入可以是双极性{-1，1}的二进制{0，1}。

• 网的权重由示例性向量计算。

• 这是一个固定的重量网络，这意味着即使在训练过程中，重量也将保持不变。

最大净值

这也是固定权重网络，用作选择具有最高输入的节点的子网。所有节点都完全互连，并且在所有这些加权互连中都存在对称的权重。

建筑

它使用的机制是一个迭代过程，每个节点都通过连接从所有其他节点接收禁止输入。其值最大的单个节点将是活动的或获胜的，而所有其他节点的激活将是不活动的。 Max Net将身份激活函数与$$ f(x)\：= \：\ begin {cases} x＆if \：x> 0 \\ 0＆if \：x \ leq 0 \ end {cases} $$一起使用

该网络的任务是通过+1的自激权重和互抑制幅度来完成的，互斥幅度设置为[0 <ɛ<$ \ frac {1} {m} $]，其中“ m”是整数节点。

人工神经网络中的竞争性学习

它与无监督训练有关，在无监督训练中，输出节点试图相互竞争以表示输入模式。要了解此学习规则，我们必须了解竞争网络，其解释如下-

竞争网络的基本概念

该网络就像单层前馈网络，在输出之间具有反馈连接。输出之间的连接是抑制型的，用虚线表示，这意味着竞争对手从不支持自己。

竞争学习法则的基本概念

如前所述，输出节点之间将存在竞争，因此主要概念是-在训练期间，对给定输入模式具有最高激活度的输出单元将被宣布为获胜者。此规则也称为获胜者通吃，因为只有获胜的神经元被更新，其余的神经元保持不变。

数学公式

以下是此学习规则的数学公式化的三个重要因素-

• 成为赢家的条件

  假设如果一个神经元y _k想成为赢家，那么将存在以下条件

  $$ y_ {k} \：= \：\ begin {cases} 1＆if \：v_ {k}> v_ {j} \：for \：all \：\：j，\：j \：\ neq \ ：k \\ 0，否则\ end {cases} $$

  这意味着，如果某个神经元(例如y _k)想要获胜，则其诱导的局部场(求和单元的输出)(例如v _k )必须是网络中所有其他神经元中最大的。

• 重量的合计的条件

  竞争性学习规则的另一个限制是特定输出神经元的权重总和将为1。例如，如果我们考虑神经元k，则

  $$ \ displaystyle \ sum \ limits_ {k} w_ {kj} \：= \：1 \：\：\：\：for \：all \：\：k $$

• 改变获胜者的体重

  如果神经元不响应输入模式，则该神经元中不会发生学习。但是，如果特定的神经元获胜，则相应的权重将如下调整：

  $$ \ Delta w_ {kj} \：= \：\ begin {cases}-\ alpha(x_ {j} \：-\：w_ {kj})和if \：neuron \：k \：wins \\ 0＆if \：neuron \：k \：losses \ end {cases} $$

  这里$ \ alpha $是学习率。

  这清楚地表明，我们通过调整获胜的神经元的重量来支持获胜的神经元，如果神经元丢失了，则无需费心重新调整其重量。

K均值聚类算法

K-means是最流行的聚类算法之一，其中我们使用了分区过程的概念。我们从一个初始分区开始，然后将模式从一个群集重复移动到另一个群集，直到获得满意的结果。

算法

步骤1-选择k个点作为初始质心。初始化k个原型(w ₁ ，…，w _k ) ，例如，我们可以使用随机选择的输入向量来识别它们-

$$ W_ {j} \：= \：i_ {p}，\：\：\：其中\：j \：\在\ lbrace1，….，k \ rbrace \：and \：p \：\中在\ lbrace1，….，n \ rbrace $$中

每个群集C _j与原型w _j相关联。

步骤2-重复步骤3-5，直到E不再减小，或者集群成员资格不再改变。

步骤3-对于每个输入向量i _p ，其中p∈{1，…，n} ，将i _p放入具有最近关系的原型w _{j *}具有以下关系的聚类C _{j *中}

$$ | i_ {p} \：-\：w_ {j *} | \：\ leq \：| i_ {p} \：-\：w_ {j} |，\：j \：\ in \ lbrace1， ….，k \ rbrace $$

步骤4-对于每个群集C _j ，其中j∈{1，…，k} ，将原型w _j更新为C _j中当前所有样本的质心，以便

$$ w_ {j} \：= \：\ sum_ {i_ {p} \ in C_ {j}} \ frac {i_ {p}} {| C_ {j} |} $$

步骤5-如下计算总量化误差-

$$ E \：= \：\ sum_ {j = 1} ^ k \ sum_ {i_ {p} \ in w_ {j}} | i_ {p} \：-\：w_ {j} | ^ 2 $$

新认知药

它是一个由Fukushima在1980年代开发的多层前馈网络。该模型基于监督学习，用于视觉模式识别，主要是手写字符。它基本上是Cognitron网络的扩展，该网络也是由Fukushima在1975年开发的。

建筑

它是一个分层网络，包括许多层，并且在这些层中本地存在一种连接模式。

正如我们在上图中所看到的，新认知子被划分为不同的连接层，并且每一层都有两个单元。这些单元格的解释如下-

S-Cell-称为简单单元，经过训练可以对特定模式或一组模式做出响应。

C单元-称为复杂单元，它合并了S单元的输出并同时减少了每个阵列中的单元数。从另一个意义上说，C细胞取代了S细胞的结果。

训练算法

发现新认知激素的训练是逐层进行的。从输入层到第一层的权重被训练并冻结。然后，训练从第一层到第二层的权重，依此类推。 S-cell和Ccell之间的内部计算取决于来自先前各层的权重。因此，可以说训练算法取决于对S-cell和C-cell的计算。

S单元中的计算

S细胞拥有从前一层接收到的兴奋性信号，并拥有在同一层中获得的抑制信号。

$$ \ theta = \：\ sqrt {\ sum \ sum t_ {i} c_ {i} ^ 2} $$

这里，T _i是固定的重量和c _i是从C-电池的输出。

S细胞的按比例缩放的输入可以计算如下-

$$ x \：= \：\ frac {1 \：+ \：e} {1 \：+ \：vw_ {0}} \：-\：1 $$

在这里，$ e \：= \：\ sum_i c_ {i} w_ {i} $

w _i是从C单元调整到S单元的权重。

w ₀是输入和S单元之间的重量可调。

v是来自C细胞的兴奋性输入。

输出信号的激活是

$$ s \：= \：\ begin {cases} x，＆if \：x \ geq 0 \\ 0，＆if \：x <0 \ end {cases} $$

C单元中的计算

C层的净输入为

$$ C \：= \：\ displaystyle \ sum \ limits_i s_ {i} x_ {i} $$

此处， s _i是S单元的输出， x _i是从S单元到C单元的固定权重。

最终输出如下-

$$ C_ {out} \：= \：\ begin {cases} \ frac {C} {a + C}，＆if \：C> 0 \\ 0，＆否则\ end {cases} $$

这里的“ a”是取决于网络性能的参数。