Kuantisasi vektor pelatihan (Learning Vector Quantization, LVQ) adalah metode kiasifikasi pola yang mana setiap unit keluaran menyatakan suatu kelas atau kategori. Vektor bobot untuk unit keluaran sering disebut vector referensi (buku kode) untuk kelas yang dinyatakan oleh unit tersebut. Selama pelatihan unit keluaran dicari posisinya dengan mengatur bobotnya lewat pelatihan terbimbing.
Dalam hal ini diberikan sehimpunan pola yang klasifikasinya diketahui diberikan bersama distribusi awal vector referensi. Setelah pelatihan jaringan LVQ mengklasifikasikan vector masukan dalainkelas yang sarna dengan unit keluaran yang memiliki vector bobot (referensi ) yang paling dekat dengan vector masukan,
Arsitektur
Arsitektur jaringan LVQ adalah sama dengan jaringan Kohonen SOM tetapi tanpa asumsi struktur topologis untuk unit keluaran (Gambar 4.5). Lagi pula setiap unit keluaran memiliki kelas yang diketahui.
Algoritma
Motivasi algoritma pelatihan LVQ adalah mempçroleh unit keluaran yang paling dekat dengan vector msukan. Bila x dan wc berasal clan kelas yang sama, maka vector bobotdidekatkan ke vector masukan ini. Tetapi bila x dan wc memiliki kelas yang berbeda, maka vector bobot dijauhkan dan vector masukan ini.
Nomenklatur :
Langkah 0. Inisialisasi vector referensi
Inisilisasi laju pelatihan a (0)
Langkah 1. Selama syarat berhenti : salah, kerjakan Langkah 2 – 6
Langkah 2. Untuk setiap vector masukan pelatihan x, kerjakan Langkah 3 – 4.
Langkah 5. Kurangi laju pelatihan
Langkah 6. Uji syarat berhenti (dapat spesifikasi cacah iterasi atau laju pelatihan sudah mencapai nilai yang cukup kecil).