设输入为2维向量，共有10个输入样本 [（-6,0),(-4,2),(-2,-2),(0,1),(0,2),(0,-2),(0,1),(2,2),(4,-2),(6,0)]样本类别依次为：[1112222111]。试用matlab设计一个LVQ网络对样本进行分类。

在MATLAB中，我们可以使用Local Vector Quantization (LVQ) 算法来设计一个简单的神经网络进行分类。LVQ是一种基于原型的学习算法，它通过寻找每个类别的代表性实例（称为原型）来构建分类边界。

以下是创建LVQ网络并训练它的步骤：

1. **导入数据**:
首先，我们需要将输入样本数据和类别数组存储在矩阵中。假设`X`是特征数据，`y`是类别标签。在这个例子中，可以这样做：

   X = [-6 0; -4 2; ...]; % 2D输入向量
   y = [1; 1; ...];       % 类别标签，注意需要转换成向量形式

2. **初始化原型**:
LVQ通常会随机选择一部分样本作为初始原型。你可以创建一个与输入维度相同的矩阵`protos`来存放它们：

   numProtos = numel(unique(y)); % 获取类别数
   protos = zeros(numProtos, size(X, 2));

3. **LVQ训练循环**:
使用`trainlvm`函数进行训练，设置`options.Method`为'LVQ'，迭代次数`options.MaxIter`足够大：

   options = trainingOptions('adam', 'MaxEpochs', 1000);
   net = trainlvm(X, y, 'Method', 'LVQ', 'InitialLearnRate', 0.1, 'Options', options);

4. **预测新样本**:
训练完成后，可以使用`net`对新的输入数据进行分类：

   newSample = [2, 2]; % 新的测试样本
   predictedClass = classify(net, newSample);

5. **评估性能**:
可以用`confusionmat`函数计算分类结果的混淆矩阵，以评估模型的性能。