WNIOSKI
Analizowane przypadki różniły się rozkładem wektorów danych wejściowych, który został zmieniany przez zmienne avg i simga. W zależności od tych parametrów rozmieszczenie danych wejściowych przedstawiono na wykresach, odpowiednio Rys.6, Rys.7 i Rys.8. Badane SSN, dla których analizowane zostały zależności wag pomiędzy sąsiednimi neuronami (niebieskie sześciokąty), przedstawiają wykresy „Neighbor Distances”. Na wykresach tych zauważalne są 3 różne kolory, które oddzielają neurony od siebie. Kolor żółty określa, że między sąsiednimi neuronami występują małe wagi (zbliżone do siebie), co znaczy, że neurony rozpoznają takie same liczby, czyli takie, które należą do jednej grupy (jednego klastra). Z kolei ciemniejsze połączenia oznaczają większe odległości między neuronami, czyli mniejsze dopasowanie wag neuronów sąsiadujących. Rys.12, czyli wykres dla SSN ze 100 neuronami konkurującymi najlepiej obrazuje podział neuronów na 4 grupy. Można zauważyć, ze dla wykresu 9, czyli wykresu dla SSN z 4 neuronami konkurującymi, czarny pas połączeń między neuronami oddziela od siebie dwie grupy, gdzie sąsiedztwo ma wysokie dopasowanie wag. Wykresy te w obu przypadkach reprezentują dane wejściowe dla avg=5 i sigma=1.
 Wykresy „Inputs Planes” obrazują wartości wag od każdego wejścia do każdego neuronu,  gdzie każdy i-ty wykres pokazuje wagi od i-tego sygnału wejściowego do neuronów warstwy. Również w tym przypadku najsilniejsze połączenia (dodatnie) zobrazowano dzięki kolorowi żółtemu, ujemne połączenia dzięki kolorowi czarnemu, a ich brak - czerwonemu. Najsilniejsze połączenia występują również w przypadkach dla avg=5 i sigma=1. Można zauważyć, że dla wykresów reprezentujących te wartości zmiennych, zarówno dla 4 i 100 neuronów konkurujących, liczba żółtych połączeń jest największa. Wykresy obrazują, jak ze zmianą tych zmiennych (avg, sigma) zmieniają się kolory przedstawiające siłę połączeń. Najwięcej czerwonego koloru, który rozumiany jest jako brak połączeń, 	zauważamy na wykresach 17 i 20. Są to wykresy SSN dla przyjętych: avg=4 i sigma=4, czyli sytuacji w której dane wejściowe pokrywają się ze sobą.
Wykresy „Simple Hits”, które obrazują neurony z przyporządkowaną im liczbą dobrze dobranych/rozpoznanych danych wejściowych. Można zauważyć, że wykres dla SSN z czteroma neuronami konkurencyjnymi i avg=5 oraz sigma=1, przedstawia neurony, które równo między siebie rozłożyły dane wejściowe. Oznacza to, że przyporządkowały do każdego z czterech klastrów tyle samo danych wejściowych. Podobną sytuację można zaobserwować dla wykresu SSN ze stoma neuronami konkurencyjnymi, tak samo jak z uprzednio dobranymi parametrami avg i sigma (avg=5, sigma=1). W omawianym przypadku neurony będące w jednym klastrze łącznie mają 100 danych wejściowych. Ten rozkład również jest proporcjonalny, czyli każdy z 4 wyróżnionych grup posiada taką samą liczbę danych. Pozostałe wykresy nie obrazują równomiernego rozłożenia danych, co więcej, dla przypadku SSN ze stoma neuronami konkurencyjnymi, trudniejsze staje się wydzielenie czterech osobnych klastrów. Przypadek z avg=4 oraz sigma=4, obrazuje, że klasteryzacja nie przebiegła pomyślnie, nie można wyróżnić na wykazanym wykresie czterech odrębnych klas.
Ostatni typ wykresów – „Weight Position” pokazuje wagi wektorów ciężaru i wektorów wejściowych. Jest to wykres, który przedstawia wagi każdego neuronu dla każdego wejścia. W przypadku SSN z 4 neuronami konkurencyjnymi, można zaobserwować, że wektor ciężaru dla czterech skupisk wektorów wejściowych jest ulokowany w ich centrum. Można powiedzieć, że jest ich centroidem. Podobne zachowanie można zaobserwować dla SSN ze stoma wektorami konkurencyjnymi z przyjętymi avg=5 oraz sigma=1. Wektory ciężaru wag dla każdego wejścia są rozmieszczone między wektorami wejściowymi, czyli zawierają się w swoim klastrze. Najgorszym przypadkiem okazuje się być SSN ze stoma neuronami konkurencyjnymi oraz avg=4 i sigma=4, gdzie wektory ciężaru wag znacząco wykraczają za skupiska wektorów wag danych wejściowych.