Россия, Москва |
Адаптивная резонансная теория (АРТ)
Работа сети АРТ
Решение задачи классификации с помощью АРТ содержит следующие этапы: инициализация, распознавание, сравнение, поиск, обучение.
а) выбираем параметр , исходя из требуемой детальности классификации;
б) создаем сеть в памяти. Количество нейронов должно быть достаточным, чтобы запомнить все ядра классов (до ). Изначально все нейроны слоя распознавания считаются "невыделенными", их веса приравниваются к одинаковым небольшим значениям:
где - некоторая константа (обычно ). Веса в слое сравнения также выбираются одинаковыми, равными единице: .
Такой выбор весов обеспечивает остановку поиска на невыделенном нейроне, если нет подходящих выделенных нейронов, и правильное обучение.
а) предъявляем вектор на входе. До этого момента и выход слоя распознавания равен нулю: .
б) у вектора есть ненулевые компоненты, поэтому становится равным единице, т.к. . Сигнал "подпитывает" нейроны слоя сравнения и без изменений проходит через слой сравнения: .
в) весовые коэффициенты имеют смысл нормированных ядер классов. В слое распознавания активируется несколько нейронов, но благодаря латеральному торможению остается один нейрон с выходом , а остальные тормозятся. - номер выигравшего нейрона.
3. Сравнение.
а) выход приводит к , что снимает "подкачку" нейронов в слое сравнения. Весовые коэффициенты имеют смысл ненормированных двоичных ядер классов. На вход слоя сравнения передается один ненулевой выход слоя распознавания, . Эта единица умножается на весовые коэффициенты, давая в сумме сигнал
Порог всех нейронов равен 2, поэтому выход слоя сравнения равен
Следовательно, выход слоя сравнения на этом этапе - логическое произведение входного сигнала и двоичного ядра класса из слоя сравнения.
б) модуль сброса вычисляет второй критерий сходства (первый - максимум произведения ( ) в слое распознавания). Если количества единиц в векторе и векторе близки, то сходство считается хорошим и выносится решение о принадлежности вектора к классу .