Opetusalgoritmista on voidaan laatia versio, jossa yhdellä opetusaskeleella käydään läpi koko datajoukko.
Oletetaan, että naapurustofunktio h=1, jos datavektori kuuluu yksikön
topologiseen naapurustoon Ni ja on
muutoin nolla -- esimerkiksi kuplanaapurusto on tällainen. Voidaan
osoittaa, että karttayksiköiden tasapainoasema on implisiittisesti
määriteltynä
, jossa
vaikutusalue Vi on se data-avaruuden osa, jolle sattuvat vektorit
pystyvät päivittämään mallivektoria
eli
. Mallivektorin tasapainoasema on siis vaikutusalueen datan
ehdollinen odotusarvo. Jos h on jokin muu kuin kuplanaapurusto,
lasketaan odotusarvo naapurustofunktiolla painotetuista näytteistä.
Soveltamalla K-means-algoritmin [10] tapaista menettelyä saadaan itseorganisoituvalle kartalle seuraavanlainen eräalgoritmi.
Algoritmissa ei määrätä oppimisnopeusparametria. Kun naapuruston säde
on nolla, keskiarvo lasketaan vain datasta, jolle on
voittajayksikkö. Tällöin algoritmi on sama kuin K-means.
Eräalgoritmi toimii tehokkaasti, jos kartta on jo aluksi karkeasti
järjestynyt. Mallivektorit on siis syytä alustaa lineaarisesti.