一种加权学习矢量量化算法

针对传统学习矢量量化算法没有考虑属性的重要度差异的问题，提出一种加权学习矢量量化算法．该算法为每一维属性引入一个权重系数，用其表征相应属性在分类过程中的重要程度，并与权向量一同更新．利用输入样本和获胜神经元之间的修正距离的均值，控制权重系数更新的阈值及步长．距离均值确保了更新过程的稳定性，且无需进行权重系数的归一化操作．UCI机器学习数据库中6组数据的实验结果表明，该算法能够有效给出数据的本质属性，尤其是局部型权重系数．与传统学习矢量量化算法及其改进算法相比，识别率高、性能稳定、计算复杂度低．