学习向量量化简介 ：
学习向量量化算法和K均值算法类似，是找到一组原型向量来聚类， 每一个原型向量代表一个簇，将空间划分为若干个簇，从而对于任意的样本，可以将它划入到与它距离最近的簇中。特别的是LVQ假设数据样本带有类别标记，可以用这些类别标记来辅助聚类。
LVQ是由数据驱动的，数据搜索距离它最近的两个神经元，对于同类神经元采取拉拢，异类神经元采取排斥，这样相对于只拉拢不排斥能加快算法收敛的速度，最终得到数据的分布模式，开头提到，如果我得到已知标签的数据，我要求输入模式，我直接求均值就可以，用LVQ或者SOM的好处就是对于离群点并不敏感，少数的离群点并不影响最终结果，因为他们对最终的神经元分布影响很小。
学习向量量化是一种聚类算法，我自己感觉这应该是一种监督学习算法吧，这种算法属于原型聚类，找到初始原型来刻画聚类结构，与一般聚类算法不同的是，(LVQ)这种算法数据样本带有监督信息标记
算法思想 ：
算法的最终目的以及意义
算法最终学得一组原型向量，每一个原型向量控制一个范围，每个原型向量类似数学中的 （Voronoi 划分中的中心点），对整个高维空间进行了 划分，当然这个划分也就满足了 Voronoi 划分的性质 （那个距离的性质）。