Page 71 - 4524
P. 71

5.15 Мережа адаптивної резонансної теорії

                                  Розроблена Стівеном Гросбергом та Карпентером у се-
                            редині  80-х  рр.  Парадигма  використовує  функцію  неконтро-
                            льованого навчання і аналізує значні вхідні дані, виявляє мо-
                            жливі ознаки та класифікує образи у вхідному векторі.
                                  Мережа  адаптивної  резонансної  теорії  складається  з
                            двох взаємопов'язаних прошарків нейронів, розташованих між
                            вхідним та вихідним прошарками. Кожен вхідний образ ниж-
                            чого  прошарку  резонансу  стимулювати  очікуваний  образ  на
                            вищому прошарку, який пересилається знов до нижчого про-
                            шарку,  щоб  впливати  на  наступний  вхід.  Це  створює  "резо-
                            нанс" між нижчим та вищим прошарками для полегшення ме-
                            режної адаптації образів.
                                  Мережа  переважно  використовується  у  біологічному
                            моделюванні, проте існують деякі технічні застосування. Го-
                            ловним обмеженням мережної архітектури є її шумова чутли-
                            вість. Навіть мала кількість шуму на вхідному векторі плутає
                            узагальнюючі можливості навченої мережі.
                                  Мережа  ART-1  навчається  без  учителя  і  реалізує  алго-
                            ритм  кластеризації,  дуже  схожий на  алгоритм  "послідовного
                            лідера". Відповідно до цього алгоритму перший вхідний сиг-
                            нал вважається зразком першого кластера. Наступний вхідний
                            сигнал  порівнюється  зі  зразком  першого  кластера.  Говорять,
                            що вхідний сигнал "прямує за лідером"  і належить першому
                            кластеру,  якщо  відстань  до  зразка  першого  кластера  менше
                            порога. У противному випадку другий вхідний сигнал - зразок
                            другого кластера. Цей процес повторюється для всіх наступ-
                            них  вхідних  сигналів.  Таким  чином,  число  кластерів  росте  з
                            часом і залежить як від значення порога, так і від метрики від-
                            стані, що використовується для порівняння вхідних сигналів і
                            зразків класів.
                                  Основна частина мережі ART-1 схожа з мережею Хемін-
                            га. За допомогою послідовних зв'язків обчислюється відповід-
                            ність вхідних сигналів  і зразків кластерів. Максимальне зна-
                            чення відповідності підсилюється за допомогою латеральних
                            зв'язків вихідних нейронів.
                                  Мережа ART-1 відрізняється від мережі Хемінга зворот-
                            ними зв'язками від вихідних нейронів до вхідних, крім того є
                            можливість виключати вихідний нейрон з максимальним зна-

                                                           70
   66   67   68   69   70   71   72   73   74   75   76