內容如有錯誤請不吝指教！
(1) 初始化node set A，裡面包含兩個node c1,c2
其weight vector從input pattern中隨機選取。
將connection set, 初始化為
(2) 輸入新的pattern
(3) 搜尋A裡面的所有node，得到
first winner s1，藉由右式取得：
second winner s2，藉由右式取得：
如果 和s1或和s2之間的距離比T1或T2大，則input signal成為新的node，
若 或 ，則
接著再回第二步繼續處理新的signal
(4) 如果連接s1和s2的連結不存在，則創造一個，並且加到C
，然後再把s1 和 s2 連結的age設為0，
即age(s1,s2)=0
(5) 增加所有edge的age，增加的量由s1得到
(6) 將「輸入訊號」與「Winner」之間的歐式距離(Euclidian distance)加到累計的error：E s1
(7)
(8)
在此，我們將 稱為winner的learning rate， 稱為neighbor的learning rate
(9) 將大於agedead的node移除，例如：
and then
(10)如果目前的輸入訊號數量是浪打的倍數，則插入一個新的node，並且用以下的方法在低機率分佈下移除node
A. 用最大累積誤差 E來決定node q
B. 尋找所有q的鄰居，用最大累積誤差來決定node f
C. 新增node r，並且從q和從f去做內插算出weigh vector
D. 藉由 、 、
去做內插，算出Er(累積誤差)、Mr(累積訊號量)、和Rr(inherited error radius)
E. ，由beta降低q和f的累積誤差變數
F. ，由gamma降低q和f的累積訊號數量變數
E. 判斷插入是否成功
判斷誤差半徑是否大於繼受誤差半徑
換句話說，如果插入不能減少這個local area的平均誤差(mean error)，插入就是失敗的。
否則，就更新繼受誤差半徑
例如， ，插入就是失敗的，新node r要被移除，並且其他變數恢復原來的狀況。否則，
F. 如果插入是成功的，將新node r和q與f連接， ，
並且將q和f的連結拿掉。
G. 針對所有在A的node，尋找一個只有一個鄰居的nodes，然後拿這些只有一個鄰居的node的累積訊號數量 和 所有node的平均累積訊號數量 比較。如果node只有一個鄰居而且累積訊號數量比適性門檻值低，將它從node中移除。
例如：
而且 ，則
其中，c由使用者決定，而且
如果input data的雜訊多，c就越大
H. 刪除在A裡面獨立沒連結的node，例如：
if then
(11)使用以下方法將node分群
A. 一開始所有的node都是unclassified
B. Loop：隨機從A選擇一個未被分類的node i，把node i標記為已分類的，並且將他標示成class Ci
C. 搜尋A，尋找所有以”path”連到node i的未分類的node，將它們標記為已分類，並且將它們標記為和node i相同的類別(Ci)
D. 如果仍有未被分類的node，回到Loop繼續
E. 回到(2)，繼續on-line程序
趨勢 Trends (1)