该网络由Stephen Grossberg和Gail Carpenter于1987年开发。它基于竞争并且使用无监督学习模型。顾名思义，自适应共振理论(ART)网络始终对新的学习(自适应)开放，而不会失去旧的模式(共振)。基本上，ART网络是向量分类器，它接受输入向量并将其分类为哪一类，具体取决于它最类似于哪个存储模式。

营运负责人

ART分类的主要操作可以分为以下几个阶段-

• 识别阶段-将输入向量与在输出层中每个节点上显示的分类进行比较。如果神经元的输出与所应用的分类最匹配，则该神经元的输出为“ 1”，否则为“ 0”。

• 比较阶段-在此阶段，将输入向量与比较层向量进行比较。重置的条件是，相似度将小于警戒参数。

• 搜索阶段-在此阶段，网络将搜索重置以及在上述阶段中完成的匹配。因此，如果没有重置并且匹配很好，则分类结束。否则，将重复该过程，并且必须发送其他存储的模式以找到正确的匹配项。

ART1

这是一种ART，旨在对二进制向量进行聚类。我们可以通过它的体系结构了解它。

ART1的架构

它由以下两个单元组成-

计算单位-由以下组成-

• 输入单元(F ₁层) -还具有以下两个部分-

  • F ₁ (a)层(输入部分) -在ART1中，此部分将不进行处理，而仅具有输入向量。它连接到F ₁ (b)层(接口部分)。

  • F ₁ (b)层(接口部分) -此部分将来自输入部分的信号与F ₂层的信号合并。 F ₁ (b)层通过自下而上的重物b _ij连接到F ₂层，F ₂层通过自上而下的重物t _ji连接到F ₁ (b)层。

• 群集单元(F ₂层) -这是一个竞争层。选择具有最大净输入的单元以学习输入模式。所有其他群集单元的激活都设置为0。

• 重置机制-该机制的工作基于自上而下的权重和输入向量之间的相似性。现在，如果这种相似度小于警戒性参数，则不允许集群学习模式，其余的将发生。

补充单元-实际上，复位机制存在的问题是必须在某些条件下禁止F ₂层，并且在发生一些学习时也必须可用。这就是为什么两个补充单元G ₁和G ₂与复位单元R一起添加的原因。它们被称为增益控制单元。这些单元接收信号并将其发送到网络中存在的其他单元。 “ +”表示兴奋性信号，而“-”表示抑制性信号。

使用参数

使用以下参数-

• n-输入向量中的分量数

• m-可以形成的最大簇数

• b _ij-从F ₁ (b)到F ₂层的重量，即自下而上的重量

• t _ji-从F ₂到F ₁ (b)层的重量，即自上而下的重量

• ρ-警戒参数

• || x || −向量x的范数

算法

步骤1-初始化学习率，警戒参数和权重，如下所示-

$$ \ alpha \：> \：1 \：\：and \：\：0 \：

$ 0 \：

步骤2-当停止条件不成立时，继续步骤3-9。

步骤3-对于每个训练输入，继续步骤4-6。

步骤4-如下设置所有F ₁ (a)和F ₁单元的激活

F ₂ = 0和F ₁ (a)=输入向量

步骤5-从F ₁ (a)到F ₁ (b)层的输入信号必须像

$$ s_ {i} \：= \：x_ {i} $$

步骤6-对于每个禁止的F ₂节点

$ y_ {j} \：= \：\ sum_i b_ {ij} x_ {i} $条件是y _j ≠-1

步骤7-当重置为true时，执行步骤8-10。

第8步-查找J表示_ŸĴ≥所有节点_ĴÿĴ

步骤9-再次计算F ₁ (b)的激活，如下

$$ x_ {i} \：= \：sitJi $$

步骤10-现在，在计算出向量x和向量s的范数之后，我们需要检查重置条件，如下所示：

如果|| x || / || s || <警戒参数ρ ，然后禁止节点J，然后转到步骤7

否则|| x || / || s || ≥警戒参数ρ ，然后继续进行。

步骤11-节点J的权重更新可以如下进行-

$$ b_ {ij}(新)\：= \：\ frac {\ alpha x_ {i}} {\ alpha \：-\：1 \：+ \：|| x ||} $$

$$ t_ {ij}(新)\：= \：x_ {i} $$

步骤12-必须检查算法的停止条件，可能如下：

• 体重没有任何变化。
• 不对单元执行复位。
• 达到最大纪元数。