Esta red consiste en dos capas; la primera capa, la cual es una red Instar, realiza la correlación entre el vector de entrada y los vectores prototipo, la segunda capa realiza la competición para determinar cuál de los vectores prototipo está más cercano al vector de entrada.

Figura 4.6: Red de Hamming

Capa 1

La red Instar es capaz de clasificar solo un patrón; para que múltiples patrones sean reconocidos se necesitan múltiples Instar y es precisamente de esa forma como está compuesta la primera capa de la red de Hamming. Para una mejor comprensión de su funcionamiento se partirá de unos vectores prototipo que la red debe clasificar

	(4.8)

La matriz de pesos  y el vector de ganancias  para la capa uno serán:

Donde cada fila de  representa un vector prototipo, el cual deseamos reconocer y cada elemento  es igual al número de elementos en cada vector de entrada (R) (El Número de Neuronas S es Igual al Número de Vectores Prototipo Q). Así la salida de la primera capa será:

La salida de la capa 1 es igual al producto punto de los vectores prototipo con la entrada más el vector R; este producto indica cuan cercano está cada vector de entrada a los patrones prototipo.

Capa 2

La red Instar emplea una función de transferencia poslin para decidir si el vector de entrada estaba lo suficientemente cerca al vector prototipo. En la capa 2 de la red de Hamming se utilizan múltiples Instar, así se determinara por medio de una capa competitiva el patrón prototipo más cercano. Las neuronas en esta capa son inicializadas con la salida de la capa en realimentación, la cual índica la correlación entre los patrones prototipo y el vector de entrada. Las neuronas compiten unas con otras para determinar una ganadora; después de la competición solo una neurona tendrá una salida no cero. La neurona ganadora índica cual categoría de entrada fue presentada a la red (Cada Vector Prototipo Representa una Categoría).

La salida de la primera capa a1es usada para inicializar la segunda capa:

	(4.11)

La salida de la segunda capa está determinada de acuerdo a la siguiente relación recurrente:

	(4.12)

Los pesos de la segunda capa  son fijados de tal forma que los elementos de la diagonal sean 1, y los elementos por fuera de la diagonal tengan pequeños valores negativos.

Esta matriz produce un efecto inhibitorio, en el cual la salida de cada neurona tiene un efecto inhibitorio sobre todas las otras neuronas. Para ilustrar este efecto, sustituimos los valores de pesos de 1 y  por los apropiados elementos de  . Rescribiendo la ecuación de salida de la red para una sola neurona se tiene:

En cada iteración, cada salida de la neurona se decrementará en proporción a la suma de las salidas de las otras neuronas. La salida de la neurona con la condición inicial más grande se decrementará más despacio que las salidas de otras neuronas; eventualmente cada neurona tendrá una salida positiva y en ese punto la red habrá alcanzado el estado estable.

Las neuronas de la segunda capa de la red de Hamming, están en competición porque cada neurona se excita a sí misma e inhibe a todas las otras neuronas, para simplificar la discusión se definirá una nueva función de transferencia que hace el trabajo de una capa recurrente competitiva

	(4.15)

Donde a es la salida total de la red y n es la entrada neta a la función de transferencia, compet es una función de transferencia que encuentra el índice  de la neurona con la entrada neta más grande y fija su salida en uno, todas las otras neuronas tienen salida 0.

Reemplazando la capa recurrente de la red de Hamming, con una función de transferencia competitiva, la presentación de una capa competitiva se simplifica de la siguiente manera.

Figura 4.7: Capa Competitiva

Como con la red de Hamming, los vectores prototipo son almacenados en las filas de . La entrada neta n calcula la distancia entre el vector de entrada p y cada prototipo Wi (Asumiendo que los Vectores Tiene Longitudes Normalizadas L). La entrada neta ni de cada neurona es proporcional al ángulo  entre p y el vector prototipo :

La función de transferencia competitiva asigna una salida de 1 a la neurona cuyo vector de pesos apunte en la dirección más cercana al vector de entrada.