自适应共振理论(ART)
自适应共振理论是斯蒂芬·格罗斯伯格(Stephen Grossberg)和盖尔·卡彭特(Gail Carpenter)于1987年开发的一种神经网络技术。基本的ART使用无监督学习技术。在此使用的术语“自适应”和“共振”表明它们对新的学习开放(即自适应),而不丢弃先前或旧的信息(即共振)。众所周知,ART网络解决了稳定性-可塑性难题,即稳定性是指记忆学习的性质,而可塑性是指它们灵活地获取新信息的事实。因此,ART始终能够学习新的输入模式而不会忘记过去。 ART网络实现聚类算法。输入被提供给网络,算法检查它是否适合已存储的集群之一。如果合适,则将输入添加到最匹配的群集中,从而形成一个新的群集。
自适应共振理论的类型
经过20年的研究,Carpenter和Grossberg开发了不同的ART架构。 ART可以分类如下:
- ART1 –这是最简单和基本的ART架构。它能够对二进制输入值进行聚类。
- ART2 – ART1的扩展,能够对连续值的输入数据进行聚类。
- Fuzzy ART –它是模糊逻辑和ART的增强。
- ARTMAP –这是一种ART学习的监督形式,其中一种ART是在以前的ART模块的基础上学习的。它也被称为预测性ART。
- FARTMAP –这是带有模糊逻辑的受监督的ART体系结构。
自适应共振理论(ART)体系结构的基础
自适应共振理论是一种自组织且具有竞争性的神经网络。它可以是非监督类型(ART1,ART2,ART3等)或监督类型(ARTMAP)。通常,监督算法以后缀“ MAP”命名。
但是基本的ART模型本质上是不受监督的,它包括:
- F1层或比较字段(在其中处理输入)
- F2层或识别字段(由聚类单元组成)
- 重置模块(用作控制机制)
F1层接受输入并执行一些处理,然后将其传输到与分类因子最匹配的F2层。
存在两组加权互连,用于控制F1和F2层中各个单元之间的相似度。
F2层是竞争层,具有较大净输入的群集单元将成为首先学习输入模式的候选者,而其余F2单元将被忽略。
重置单元根据其自上而下的权重向量与输入向量及其决定的相似程度,来决定是否允许群集单元学习输入模式。这称为警惕性测试。
因此,可以说警惕性参数有助于合并新的记忆或新的信息。较高的警惕性产生更详细的记忆,较低的警惕性产生更一般的记忆。
通常,存在两种学习类型:慢学习和快速学习。在快速学习中,共振期间的体重更新迅速发生。它在ART1中使用。在缓慢学习中,体重变化相对于学习试验的持续时间缓慢发生。它在ART2中使用。
自适应共振理论(ART)的优势
- 它具有稳定性,不会受到为其网络提供的各种输入的干扰。
- 它可以与其他各种技术集成在一起使用,以提供更好的效果。
- 它可用于各种领域,例如移动机器人控制,面部识别,土地覆盖分类,目标识别,医学诊断,签名验证,网络用户聚类等。
- 与竞争性学习(如bpnn等)相比,它具有优势。竞争性学习缺乏在必要时添加新集群的能力。
- 它不能保证形成簇的稳定性。
自适应共振理论的局限性
一些ART网络不一致(例如Fuzzy ART和ART1),因为它们取决于训练数据的顺序或学习率。