Теория адаптивного резонанса (ART)
Теория адаптивного резонанса (ART) Теория адаптивного резонанса — это разновидность метода нейронных сетей.
- Термины "адаптивный" и "резонансный", используемые в данном контексте, указывают на то, что они открыты для нового обучения (то есть адаптивны), но при этом не отбрасывают предыдущую или старую информацию (то есть обладают резонансом).
- Известно, что сети ART решают дилемму стабильности и пластичности: стабильность означает, что они запоминают полученные знания, а пластичность — что они способны усваивать новую информацию.
- Благодаря своей природе сети ART всегда способны усваивать новые входные паттерны, не забывая о предыдущих.
- В сетях ART реализован алгоритм кластеризации. Сеть получает входные данные, и алгоритм проверяет, соответствуют ли они одному из уже сохраненных кластеров. Если да, то входные данные добавляются в кластер, который соответствует им больше всего, в противном случае формируется новый кластер.
Типы адаптивной резонансной теории (ART)
В результате 20 лет исследований Карпентер и Гроссберг разработали различные архитектуры ART. Вспомогательные репродуктивные технологии можно классифицировать следующим образом:
- ART1 - Это самая простая и базовая архитектура ART. Она способна кластеризовать бинарные входные значения.
- ART2 - Это расширение ART1, способное кластеризовать входные данные с непрерывными значениями.
- Fuzzy ART - Это сочетание нечеткой логики и ART.
- ARTMAP - Это контролируемая форма обучения ART, при которой один модуль ART обучается на основе предыдущего модуля ART. Она также известна как предиктивная ART.
- FARTMAP - Это контролируемая архитектура ART с включенной нечеткой логикой.
Архитектура адаптивной резонансной теории (ART)
Адаптивная резонансная теория — это тип самоорганизующейся и конкурентной нейронной сети. Она может быть как неконтролируемой (ART1, ART2, ART3 и т. д.), так и контролируемой (ARTMAP). Как правило, контролируемые алгоритмы обозначаются суффиксом «MAP». Однако базовая модель ART не требует контроля со стороны человека и состоит из:
- Слой F1 или поле сравнения (где обрабатываются входные данные)
- Слой F2 или поле распознавания (состоящее из кластерных блоков)
- Модуль сброса (выполняющий роль механизма управления)
Слой F1 принимает входные данные, выполняет некоторую обработку и передает их на слой F2, который лучше всего соответствует классификационному фактору. Существуют два набора взвешенных связей для контроля степени сходства между блоками слоев F1 и F2. Слой F2 является конкурентным слоем. Кластерный блок с большим количеством входных данных становится кандидатом на изучение входного паттерна, а остальные блоки F2 игнорируются. Блок сброса принимает решение о том, может ли кластерный блок изучать входной паттерн, в зависимости от того, насколько его вектор весов, передаваемый сверху вниз, похож на входной вектор и на решение. Это называется проверкой бдительности. Таким образом, можно сказать, что параметр бдительности помогает усваивать новые воспоминания или новую информацию. Чем выше бдительность, тем более детализированными являются воспоминания, и наоборот.
В целом существует два типа обучения: медленное и быстрое. При быстром обучении обновление весовых коэффициентов во время резонанса происходит быстро. Этот метод используется в ART1. При медленном обучении изменение весовых коэффициентов происходит медленно по сравнению с продолжительностью обучающего цикла. Этот метод используется в ART2.
Преимущества
- Он отличается стабильностью и не подвержен влиянию широкого спектра входных данных, поступающих в нейросеть.
- Его можно интегрировать и использовать в сочетании с другими методами для достижения более высоких результатов.
- Его можно использовать в различных областях, таких как управление мобильными роботами, распознавание лиц, классификация почвенно-растительного покрова, распознавание целей, медицинская диагностика, верификация подписи, кластеризация веб-пользователей и т. д.
- Он имеет преимущества перед конкурентным обучением (например, bpnn и т. д.). Конкурентное обучение не позволяет добавлять новые кластеры, когда это необходимо.
- Оно не гарантирует стабильность формирования кластеров.
