ANN自适应共振理论

本文概述

• ART1实施过程
• ART的应用
• ART的局限性

自适应共振理论(ART)被并入为人类认知数据处理的假设。该假设促使神经模型用于模式识别和无监督学习。 ART系统已被用来阐明不同类型的认知和大脑数据。

自适应共振理论解决了稳定性-可塑性(稳定性可以定义为记忆学习的本质, 可塑性指的是它们可以灵活地获取新信息这一事实)的系统难题输入模式, 同时又不会失去无关模式的稳定性。除此之外, 稳定性-弹性难题还涉及系统如何在保持以前所学知识的同时适应新数据。对于这样的任务, 在ART神经网络层之间包括反馈机制。在此神经网络中, 以处理元素输出形式的数据在各层之间来回反映。如果建立了适当的模式, 则达到了共振, 那么在此期间可能会发生适应。

可以将其定义为对如何克服竞争性学习模型所实现的学习不稳定性的形式化分析, 以提出被称为自适应共振理论(ART)的扩展假设。这项正式调查表明, 自顶向下的一种特定类型的学习反馈和匹配机制可以显着克服不稳定问题。可以理解的是, 自上而下的注意力机制是通过对认知机制和强化机制之间的联系进行调查而发现的, 具有与这些代码稳定机制相似的特征。换句话说, 一旦人们意识到如何正式解决不稳定问题, 就可以确定无需开发任何定量的新机制来解决这一问题。仅需确保合并先前发现的注意力机制即可。这些额外的机制使代码学习能够响应基本任意的输入系统而自我稳定。 Grossberg提出了自适应共振理论的基本原理。木匠和格罗斯伯格已经将称为ART1的ART类别描述为常微分方程的布置。这些定理可以预测作为系统学习历史和输入模式的函数的搜索顺序。

ART1是一种无监督的学习模型, 主要用于识别二进制模式。它包括一个关注子系统, 一个定向子系统, 一个警戒参数和一个重置模块, 如下图所示。警戒性参数对系统有巨大影响。高度警惕会产生更高的详细记忆。引起关注的ART1包括两个竞争网络, 比较场层L1和识别场层L2, 两个控制增益Gain1和Gain2, 以及两个短期记忆(STM)阶段S1和S2。长期记忆(LTM)跟随在S1和S2范围内的某个位置, 从而使这些路径中的信号倍增。

增益控制使L1和L2能够识别运行周期的当前阶段。当自下而上和自上而下的信号在L1发生不匹配时, STM复位波可防止活动的L2单元。比较层将二进制外部输入传递给识别层, 该输入层负责将其与分类类别进行协调。将该结果返回给比较层, 以找出类别何时协调输入向量。如果存在匹配, 则读取新的输入向量, 并且循环再次开始。如果存在不匹配, 则定向系统负责防止先前的类别在识别层中获得新的类别匹配。给定的两个增益分别控制识别层和比较层的活动。复位波特别持久地阻止了活跃的L2电池, 直到电流停止。输入模式的偏移结束其处理L1, 并触发增益2的偏移。增益2偏移会导致STM在L2处持续衰减, 从而使L2准备好编码下一个没有bais的输入模式。

ART1实施过程

ART1是一种自组织神经网络, 具有输入和输出神经元, 它们使用执行识别的自底向上和自顶向下自适应权重相互耦合。为了开始我们的方法, 首先按照自适应共振理论对系统进行训练, 方法是将5 * 5矩阵类型的参考模式数据输入到神经元中, 以便在输出神经元内聚类。接下来, 根据警戒性参数定义L2中的最大节点数。输入的模式将自身注册为节点L1字段上的短期内存活动。组合和分离从L1到编码字段L2的路径, 每个路径都由自适应长期存储磁道加权, 转换为净信号矢量T。L2处的内部竞争动力学进一步转换T, 从而创建压缩代码或内容可寻址存储器。在激烈的竞争中, 激活集中在L2节点上, 该节点获得最大的L1→L2信号。这项工作的主要目标分为四个阶段, 分别是比较, 识别, 搜索和学习。

自适应学习理论的优势：

可以与不同的技术进行协调和利用, 以提供更精确的结果。

它不能确保形成集群的稳定性。

它可以用于不同领域, 例如面部识别, 嵌入式系统和机器人技术, 目标识别, 医学诊断, 签名验证等。

它显示了稳定性, 不受提供给输入的各种输入的干扰。

它比竞争性学习有好处。竞争学习不能在必要时包括新的集群。

ART的应用

ART代表自适应共振理论。用于快速, 稳定的学习和预测的ART神经网络已应用于不同领域。该应用程序包含目标识别, 面部识别, 医疗诊断, 签名验证, 移动控制机器人。

目标识别：

模糊ARTMAP神经网络可用于根据目标的雷达距离剖面对目标进行自动分类。对合成数据的测试表明, 与k个最近邻居(kNN)分类器相关时, 模糊ARTMAP可以显着节省内存需求。多波长分布图的利用主要提高了两种分类器的性能。

医学诊断：

医学数据库提出了在通用信息管理环境中面临的众多挑战, 其中速度, 使用, 效率和准确性是首要考虑因素。改进的计算机辅助医学的直接目标是帮助在可能不理想的情况下提供重症监护。处理这些问题刺激了包括ARTMAP-IC在内的多个ART架构的发展。

签名验证：

自动签名验证是众所周知且活跃的研究领域, 具有各种应用程序, 例如银行支票确认, ATM访问等。网络的训练是使用ART1完成的, ART1使用全局特征作为输入向量, 并且验证和识别阶段使用两步过程。在初始步骤中, 将输入向量与用作训练集的存储参考向量进行协调, 在第二步中, 进行聚类形成。

移动控制机器人：

如今, 我们可以感知各种各样的机器人设备。在它们的程序部分(称为人工智能)中, 它仍然是一个研究领域。作为这种智能系统的模型, 人脑是一个有趣的主题。受人脑结构的启发, 出现了人工神经。类似于大脑, 人工神经网络包含许多简单的计算单元, 它们相互连接以允许信号从神经元传递到神经元。与其他决策算法相比, 人工神经网络用于解决不同的问题, 并具有良好的结果。

ART的局限性

一些ART网络相互矛盾, 因为它们依赖于训练数据的顺序或学习率。