LVQ網路（Learning Vector Quantization）是前面說的SOM的一個變種，但是學習方法仍然是Kohonen的競爭方法，說他是變種，因為這個演算法是一種有監督的方法。

單看他的名字就知道，這是一種向量量化手段，如果給我K類資料，每類資料若干樣本，我要找K個向量來代表這K類資料的模式，最簡單的方法就是我對每類求均值，這是個很好的想法，但是如果我每個類中都有若干離群點，那可能會導致均值不能很好的代表那類資料的輸入模式；怎麼做呢？投票機制！LVQ，SOM都是這麼做的；

LVQ分為LVQ1，LVQ2，LVQ3，下面簡單說說LVQ2：

前面講了SOM，LVQ與SOM的區別在輸入，LVQ的輸入是有標籤的，同時其神經元也是有初始標籤的，如下圖：

 LVQ是由資料驅動的，資料搜尋距離它最近的兩個神經元，對於同類神經元採取拉攏，異類神經元採取排斥，這樣相對於只拉攏不排斥能加快演算法收斂的速度，最終得到資料的分佈模式，開頭提到，如果我得到已知標籤的資料，我要求輸入模式，我直接求均值就可以，用LVQ或者SOM的好處就是對於離群點並不敏感，少數的離群點並不影響最終結果，因為他們對最終的神經元分佈影響很小。