在无监督，无期望输出的情况下，基于有导师学习的神经网络往往是无能为力的。自组织神经网络可以通过对客观事件的反复观察分析与比较，字形题是其内在规则。并对具有共同特征的事物进行正确的分类，此种网络更与人脑中生物神经网络的学习模式类似，即可以通过自动寻找样本中的内在规律和本质属性，自组织，自适应地改变网络参数与结构，这也是自组织名称的由来，自组织神经网络的学习规则，大多采用竞争性的学习规则。

竞争型神经网络的基本思想是网络竞争层的各个神经元，通过竞争来获得对输入模式的响应机会，最后仅有一个神经元成为竞争的胜利者，并将与获胜神经元有关的各个连接权值向着更有利于其竞争的方向调整，自组织竞争网络自组织自适应地学习能力，进一步拓宽了神经网络在模式分类和识别方面的应用。

%% 清空环境变量

clc

clear

%% 录入输入数据

% 载入数据并将数据分成训练和预测两类

load gene.mat;

data=gene;

P=data(1:40,:);

T=data(41:60,:);

% 转置后符合神经网络的输入格式

P=P';

T=T';

%% 网络建立和训练

% 建立竞争网络：

net = competlayer(2);

% 初始化网络及设定网络参数：

net=init(net);

net.trainparam.epochs=20;

% 训练网络：

net=train(net,P);

%% 网络的效果验证

% 将原数据回带，测试网络效果：

a=sim(net,P);

ac=vec2ind(a);

%% 网络作分类的预测

% 下面将后20个数据带入神经网络模型中，观察网络输出：

Y=sim(net,T);

yc=vec2ind(Y);