我的人工神经网络自适应共振理论.pptVIP

第11章 自适应共振理论 Carpenter和Grossberg在1986年：4个样本组成样本集。这4个样本被周期性地提交给网络。网络是难以收敛 网络的可塑性需要的4项功能 样本的分类功能 分类的识别功能 比较功能 类的建立功能 Grossberg等：自适应共振理论（Adaptive Resonance Theory，简记为ART） 11.1 ART的结构 稳定性与可塑性是不同的 保证可塑性的操作要求分析 ART总体结构图 11.1 ART的结构 X=(x1，x2，…，xn) R=(r1，r2，…，rm) C=(c1，c2，…，cn) P=(p1，p2，…，pn) Ti=(ti1，ti 2，…，ti n) Bi=(b1i，b2i，…，bni) 11.1 ART的结构 tij表示识别层的第i个神经元到比较层的第j个神经元的联接权 bij表示比较层的第i个神经元到识别层的第j个神经元的联接权 pi为比较层的第i个神经元的网络输入 以比较层和识别层为中心讨论5个功能模块 比较层输出信号控制 G1= ┐(r1∨r2∨…∨rm) ∧ (x1∨x2∨…∨xn) 比较层 执行二-三规则 ci= 1 xi+pi+G1≥2 ci= 0 xi+pi+G12 识别层 识别层实现竞争机制 Bk与C有最大的点积 系统复位控制 X与C的相似度 11.2 ART的初始化 T的初始化 矩阵T的所有元素全为1 B的初始化 bijL/(L-1+n) n为输入向量的维数；L为一个大于1的常数，其值应该与输入向量的位数相关 Tk、Bk是RNk对应类的两种不同表示 ρ的初始化 ρ∈[0,1] 11.3 ART的实现 四个阶段：识别、比较、查找、学习 一、识别 X (非0向量)未被加在网上时 G2=0 R=(r1，r2，…，rm)=(0，0，…，0) X(非0向量)被加在网络上时 G1=G2=1 R=0导致P=(p1，p2，…，pm)= (0，0，…，0) 11.3 ART的实现 在识别层，每个RNk完成的操作 计算∑bikci 接收来自其它RN的抑制信号，并向其它的RN发出抑制信号 确定自己的输出状态 完成输出 RN之间的抑制连接与抑制信号 如果RNk输出1，则表明，在本轮识别中，X暂时被认为是属于该RNk所对应的类 二、 比较 X归于RNk，RNk的输出值1被分别以权重tkj传送到比较层 向量P就是向量Tk T的初始化及学习保证了T的每个元素取值为0或者1 Bk与T k根据RNk进行对应，互为变换形式 如果对于所有的j，1≤j≤n，pj=xj，则表示X获得良好的匹配。如果存在j，使得pj≠xj，则表明X与相应的“类”的代表向量并不完全一致 二、 比较 当系统复位控制模块计算X和C的相似度s 如果s≥ρ，表明本轮所给出的类满足精度要求。查找成功，系统进入学习周期 如果sρ，表明本轮所给类不满足精度要求。 复位模块要求识别层复位，使所有RN输出0 系统回到开始处理X的初态，重新进行有哪些信誉好的足球投注网站 复位信号屏蔽本次被激发的RN，在下一轮匹配中，该RN被排除在外，以便系统能够找到其它更恰当的RN 三、 查找 如果s≥ρ，认为网络查找成功，此时分类完成，无需再查找 如果sρ，表明本轮实现的匹配不能满足要求，此时需要寻找新的匹配向量 查找过程 三、 查找 1 复位模块向识别层发出复位信号 2 所有RN被抑制：R=(r1,r2,…,rm) =(0，0,…,0)，上轮被激发的RN被屏蔽 3 G1的值恢复为1 4 X的值再次被从比较层送到识别层：C=X 5 不同的RN被激发，使得不同的P(Tk)被反馈到比较层 6 比较层进行相应的比较，并判定本次匹配是否满足要求 三、 查找 如果本次匹配不成功，则重复1∽6直到如下情况之一发生 7.1 本轮匹配成功。表明已找到一个与X匹配较好的模式，此时，网络进入学习期，对这个匹配的模式进行适当的修改，使它能更好地表示X 7.2 网络中现存的模式均不匹配。因此，网络需要重新构造一个新模式表达此类 三、 查找 网络用一个还未与任何类关联的RN来对应X所在的类 根据X修改与此RN对应的Tk、Bk 被网络选中的RNk对应的Tk=（1，1，…，1） P=（1，1，…，1）被送入比较层。 C=X∧P=X，被送入系统复位控制模块，s=1。而ρ≤1，所以，s≥ρ。匹配获得成功 网络进入学习期 三、 查找 首先被选中的RN不一定对应X属于的类 受B取法的影响，有时候，获得最大激励值的RN对应的类不一定是X所属的类 例如：设n=5，三个输入向量为： X1=（1，0，0，0，0） X2=（1，0，0，1，1） X3=（1，0，