Архитектура ART

Слой В – слой сравнения (воспринимающий), слой Т – слой, хранящий образы сети (распознающий).

При обучении используется правило "победитель забирает всё" – конкурентное обучение. Определяется выигравший нейрон, устанавливается в "1". С каждым из классов (выходных нейронов) связаны веса , .

G ₁ и G ₂ – специализированные нейроны, которые управляют процессом обучения.

При подаче входного вектора вычисляется:

, , .

Выход k -ого нейрона равен "1", все остальные выходы равны "1".

Каждый входной нейрон имеет три входа:

1. компоненты входного вектора;
2. ;
3. от нейрона управления.

Входная активность i -ого нейрона равна единице, если хотя бы два из трёх входов являются активными.

В слое В модуль G ₁ выполняет следующую функцию:

, где – выходное значение "победителя" в слое T.

Каждый нейрон слоя B содержит два выхода:

1. компонента вектора X, который через поступает на входной слой;
2. – сигнал, который является результатом сравнения обратного и входного сигналов и определяется следующим образом: .

Схема G ₂ формирует сигнал сброса, который при определённых условиях нейтрализует активный нейронный элемент слоя Т.

Вычисляется степень отличия х от активного нейрона:

.

Вычисляется степень отличия входного образа от образа победившего нейрона.

На входе G ₂ формируется сброс, если входной образ не соответствует кластеру, связанному с нейроном – победителем.

Сигнал сброса устраняет "победителя", так как он не соответствует критическим чертам входного образа:

.

Применительно к сети ART-1:

Если условиене выполняется, то происходит модификация весовых коэффициентов победившего нейрона. Иначе, переходим к следующему нейрону. Если при всех нейронов условиене выполняется, то создаётся новый нейрон.

Алгоритм:

1. Инициализация весовых коэффициентов:

.

1. Задание значения параметра ρ: .
2. WHILE (имеются входные вектора) DO

а. подача на вход сети нового входного вектора ;

б. вычисление значений выходов сети:;

в. определение номера нейрона-победителя с наибольшей величиной выхода ;

г. определение сходства входного вектора X (образа) с прототипом , который соответствует нейрону-победителю :

IF (число "1" в выражении ) THEN GOTO (е)

ELSE

д. выход сбрасывается и возврат к (б);

е. входной вектор X ассоциируется с прототипом , поэтому производится изменение весовых коэффициентов прототипа:

ж. веса также изменяются: .

4. Конец.

Все алгоритмы, рассмотренные ранее, реализовались в режиме off–line. В режиме on–line сеть одновременно обучается и работает в режиме распознавания.

Сеть ART может работать как в режиме off–line, так и в режиме on–line. Чаще сеть ART используют для работы в режиме реального времени (on–line), так как она позволяет на стадии обучения создавать новые классы.

Для режима on–line выше приведённый алгоритм претерпит следующие изменения:

пункт 3, подпункт в:

, где c – переменная, которая определяет, какое количество нейронов рассмотрено к данному моменту времени, m – число входных нейронов.

пункт 3, подпункт д:

количество просмотренных нейронов уменьшается на единицу и возврат к пункту c; если , то создаётся новый нейрон; для нового нейрона

пункт 3, подпункт е, ж:

обновляются весовые коэффициенты b и t в том случае, если взвешенная сумма , иначе переходим к подпункту д.

Пример.

Выводы:

Преимущество сети ART заключается в возможности её расширения, что особенно важно в динамических системах, работающих в режиме реального времени. Данное свойство сети создаёт предпосылки для создания эволюционных сетей, которые могут самоорганизовываться во времени (адаптироваться к среде).

Дата добавления: 2014-01-15; Просмотров: 357; Нарушение авторских прав?; Мы поможем в написании вашей работы!