我的人工神经网络-11-自适应共振理论.ppt

单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,Company Logo,*,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,不匹配的现存,模式不被修改,新输入向量,与现存模式,相似：修改相匹配的模式,不相似：建立一个新模式,ART总体结构图,X,识别层,C(B),P(T),R,C,复位,G2,G1,识别控制,比较控制,比较层,复位控制,精度控制参数,11.,1 ART的结构,X=(x,1,，,x,2,，,，,x,n,),R=(r,1,，,r,2,，,，,r,m,),C=(c,1,，,c,2,，,，,c,n,),P=(p,1,，,p,2,，,，,p,n,),T,i,=(t,i1,，,t,i 2,，,，,t,i n,),B,i,=(b,1i,，,b,2i,，,，,b,ni,),比较层输出信号控制,G1=,(r,1,r,2,r,m,),(x,1,x,2,x,n,),识别层输出信号控制,G2=x,1,x,2,x,n,比较层,执行二,-,三规则,c,i,=,1 x,i,+p,i,+G1,2,c,i,=,0 x,i,+p,i,+G1,2,C=X,P=T,k,c,i,=x,i,p,i,待命期,工作周期,识别层,识别层实现竞争机制,B,k,与,C,有最大的点积,X,的“暂定”代表,RN,k,所获得的网络输入为,与,RN,1,，,RN,2,，,RN,m,相对应,向量,B,1,，,B,2,，,B,m,代表不同分类,系统复位控制,X与C的相似度,s,，当前处于激发态的,RN,k,所对应的,B,k,、,T,k,为,X,的类表示；,s,，此,RN,k,所对应的,B,k,、,T,k,不能很好地代表,X,，需要重新寻找,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,b,ij,L/(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,T,k,、B,k,是RN,k,对应类的两种不同表示,的初始化,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=(r,1,，r,2,，r,m,)=(0，0，0),X,(非0向量)被加在网络上时,G1=G2=1,R=0,导致,P=(p,1,，p,2,，p,m,)=(0，0，0),11.,3 ART的实现,在识别层，每个,RN,k,完成的操作,计算b,ik,c,i,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RN,k,输出1，则表明，在本轮识别中，X,暂时被认为,是属于该RN,k,所对应的类,二、,比较,X,归于,RN,k,，,RN,k,的输出值,1,被分别以权重,t,kj,传送到比较层,向量,P,就是向量,T,k,T,的初始化及学习保证了,T,的每个元素取值为,0,或者,1,B,k,与,T,k,根据,RN,k,进行对应，互为变换形式,如果对于所有的,j,，,1,j,n,，,p,j,=x,j,，则表示,X,获得良好的匹配。如果存在,j,，使得,p,j,x,j,，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,，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,s,，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，重新进行搜索,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,，认为网络查找成功，此时分类完成，无需再查找,如果,s0.5,时，选择,RN,1,就不能满足精度要求，此时网络就需要进入查找工作阶段,1、RN,1,获胜,2、C取值（1，0，0，0，0）,3、,三、,查找,4、,s,，所以对网络进行学习：,T,2,=C,。,显然，其原值被破坏了。而当我们选择一个适当的,L,，同时在调整,B,时保留，这个问题就可以避免了。,四、,学习,网络的分类并不是一成不变的,继续使用上面例子中的输入向量，取,L=6,，初始化使,B,的所有元素均取值,0.6,1、,X,1,的输入导致,RN,1,被激发；,B,1,被学习后取值为（,1,，,0,，,0,，,0,，,0,）,2、输入,X,2,时，,RN,1,、,RN,2,所获得的网络输入分别为,1,和,1.8,，这导致,RN,2,被激发；,B,2,被学习后取值为（,0.6,，,0,，,0,，,0.6,，,0.6,）,四、,学习,3、,如果,X,1,再次被输入，,RN,1,、,RN,2,所获得的网络输入分别为,1,和,0.6,，从而正确的神经元被激发；如果,X,2,再次被输入，,RN,1,、,RN,2,所获得的网络输入分别为,1,和,1.8,，从而也仍然有正确的神经元被激发,4、当,X,3,被输入时，,RN,1,、,RN,2,所获网络输入分别为,1,和,1.2,，从而,RN,2,被激发，此时，,T,2,=,（,1,，,0,，,0,，,1,，,1,）被送入比较层，使得,C=T,2,X,3,=X,3,。从而导致,s=1,四、,学习,5、,网络进入学习：,T,2,、,B,2,被修改,T,2,=,（,1,，,0,，,0,，,1,，,0,）,B,2,=,（,6/7,，,0,，,0,，,6/7,，,0,）,6、当再次输入,X,2,时，,RN,1,、,RN,2,所获得的网络输入分别为：,1,和,12/7,，这再次导致,RN,2,被激发。但是，此时识别层送给比较层的,T,2,=,（,1,，,0,，,0,，,1,，,0,）。从而有,s=2/3,，如果系统的复位控制参数,2/3,，此时系统会重新为,X,3,选择一个新的神经元,四、,学习,可以让,ART,在学习完成后，再投入运行,