Меня всегда восхищала полная математическая безграмотность Уосермана:
"Предварительная обработка входных векторов
Весьма желательно (хотя и не обязательно) нормализовать входные векторы перед тем, как предъявлять их сети. Это выполняется с помощью деления каждой компоненты входного вектора на длину вектора. Эта длина находится извлечением квадратного корня из суммы квадратов компонент вектора."
Любой, сколько-нибудь грамотный человек понимает, что нормировка, о которой идет речь, проецирует данные на гиперсферу, тем самым снижая размерность и КАК ПРАВИЛО уничтожая часть информации.
Теперь по делу.
Сначала У предлагает сделать все нейроны Кохонена одинаковыми и все входные сигналы почти одинаковыми.
Далее начинается обучение.
Если победитель определен однозначно - отлично учим и идем дальше.
Если победителей несколько (в начальный момент - все), то выбираем ЛЮБОГО из победителей и учим его.
Идея очень простая - сначала предлагается свалить все в одну кучу и позволить векторам данных растаскивать нейроны из одной точки. В принципе идея должна работать, хотя времена обучения должны быть большими.
Грубо говоря делаете пару эпох с очень маленьким а. Потом постепенно его увеличиваете (скажем процентов на 10 за эпоху). Через некоторое количество эпох забываете об этом коэффициенте совсем (делаете равным 1).
Однако про обучение сетей КОхонена я бы рекомендовал почитать работы самого Кохонена. Там и алгоритмы боле шустрые описаны.