Сеть теории адаптивного резонанса.
Другие названия:
Разработана Карпентер и Гроссбергом в 1986 г.
Сеть ART-1 обучается без учителя, она реализует алгоритм кластеризации, очень похожий на алгоритм "последовательного лидера" (sequential leader clustering algorithm). В соответствии с этим алгоритмом первый входной сигнал считается образцом первого кластера. Следующий входной сигнал сравнивается с образцом первого кластера. Говорят, что входной сигнал "следует за лидером" и принадлежит первому кластеру, если расстояние до образца первого кластера меньше порога. В противном случае второй входной сигнал - образец второго кластера. Этот процесс повторяется для всех следующих входных сигналов. Таким образом, число кластеров растет с течением времени и зависит как от значения порога, так и от метрики расстояния, использующейся для сравниения входных сигналов и образцов классов.
Основная часть сети ART-1 схожа с сетью Хемминга, которая дополнена полносвязной сетью MAXNET. С помощью последовательных связей высчитывается соответствие входных сигналов и образцов кластеров. Максимальное значение соответствия усиливается с помощью взаимного латерального торможения выходных нейронов. Сеть ART-1 отличается от сети Хемминга обратными связями от выходных нейронов к входным, кроме того имеется возможность выключать выходной нейрон с максимальным значением соответствия и проводить пороговое тестирование соответствия входного сигнала и образцов кластеров, как того требует алгоритм "последовательного лидера".
Рис. 1. Основные компоненты классификатора Карпентер/Гроссберга
Алгоритм функционирования сети:
A1. Инициализация сети:
(1)
где
bij(t) - синаптический вес связи от i-го нейрона первого слоя к j-му нейрону второго слоя в момент времени t (bottom up),
tij(t) - синаптический вес связи от i-го нейрона второго слоя к j-му нейрону первого слоя в момент времени t (top down),
r - значение порога.
Веса tij(t) и bij(t) определяют образец, соответствующий нейрону j.
Порог r показывает, насколько должен входной сигнал совпадать с одним их запомненных образцов, чтобы они считались похожими. Близкое к единице значение порога требует почти полного совпадения. При малых значениях порога даже сильно различающиеся входной сигнал и образец считаются принадлежащими одному кластеру.
A2. Предъявление сети нового бинарного входного сигнала:
Входные сигналы предъявляются нижнему слою нейронов аналогично тому, как это делается в сети Хемминга.
A3. Вычисление значений соответствия:
(2)
Значения соответствия вычисляются параллельно для всех образцов, запомненных в сети, аналогично сети Хемминга.
A4. Выбор образца с наибольшим соответствием:
(3)
Эта операция выполняется с помощью латерального торможения аналогично сети MAXNET.
A5. Сравнение с порогом:
(4)
На этом шаге вычисляется отношение скалярного произведения входного сигнала и образца с наибольшим значением соответствия к числу единичных бит входного сигнала. Значение отношения сравнивается с порогом, введенном на первом шаге.
Если значение отношения больше порога, то входной сигнал считается похожим на образец с наибольшим значением соответствия. В этом случае образец модифицируется путем выполнения операции AND (логическое "И"). Новый образец есть образец на предыдущем шаге AND входной сигнал.
Если значение отношения меньше порога, то считается, что входной сигнал отличается от всех образцов и он рассматривается как новый образец. В сеть вводится нейрон, соответствующий новому образцу, и рассчитываются значения синаптических весов.
A6. Исключение примера с наибольшим значением соответствия:
Выход нейрона с наибольшим значением соответствия временно устанавливается равным нулю и более не приниамет участие в шаге A4.
A7. Адаптация примера с наибольшим значением соответствия:
(5)
A8. Включение всех исключенных на шаге A6 образцов. Возвращение к шагу A2.
ТИП ВХОДНЫХ СИГНАЛОВ: бинарные.
РАЗМЕРНОСТИ ВХОДА И ВЫХОДА ограничены при программной реализации только возможностями вычислительной системы, на которой моделируется нейронная сеть, при аппаратной реализации - технологическими возможностями.
ЕМКОСТЬ СЕТИ совпадает с числом нейронов второго слоя и может увеличиваться в процессе функционирования сети.
распознавание образов, кластерный анализ.
Неограниченное увеличение числа нейронов в процессе функционирования сети.
В присутствии шума возникают значительные проблемы, связанные с неконтролируемым ростом числа образцов.
Обучение без учителя.
Существует модель ART-2 с непрерывными значениями входных сигналов.
|
При использовании информации, находящейся на данной странице,
вы обязаны ссылаться на следующую работу:
Отчет по научно-исследовательской работе "Создание аналитического обзора информационных источников по применению нейронных сетей для задач газовой технологии"; Копосов А.И., Щербаков И.Б., Кисленко Н.А., Кисленко О.П., Варивода Ю.В. и др., ВНИИГАЗ, 1995. |