自适应谐振理论综述

1.引言神经网络的竞争学习模型在70年代早期由Malsburg和Grossberg提出,此后得到了很大的发展。这种学习是指网络中的某一组神经元相互竞争对外界刺激模式响应的权力,竞争获胜的神经元的连接权发生某种变化,使得它在下一次对该刺激模式进行竞争时更为有利。一般来说,由竞争学习模型学习得到的分类很难保持稳定,即使连续地为网络提供有限个保持不变的模式序列,某一个特定的获胜分类仍然可能不断地发生变化。为了稳定学习过程,就必须将学习率     

一种新型自适应神经网络回归估计算法

结合自适应谐振理论和域理论的优点,针对回归估计问题的特性,提出了一种新型神经网络回归估计算法ＦＴＡＲＴ３．该算法学习速度快、归纳能力强,不仅具有增量学习能力,还克服了ＢＰ类算法需要人为设置隐层神经元的缺陷,直线、下弦、二维墨西哥草帽、三维墨西哥草帽等４个实验表明,ＦＴＡＲＴ３在函数近似效果和训练时间代价上都优于目前常用于因归估计问题的ＢＰ类算法。     

一种新的自适应谐振算法

本文提出了一个综合多种神经网络理论的学习算法ＦＴＡＲＴ（ｆｉｅｌｄｔｈｅｏｒｙ—ｂａｓｅｄａｄａｐｔｉｖｅｒｅｓｏｎａｎｃｅｔｈｅｏｒｙ），它将ＡＲＴ（ａｄａｐｔｉｖｅｒｅｓｏｎａｎｃｅｔｈｅｏｒｙ）算法、ＦｉｅｌｄＴｈｅｏｒｙ和ＡＲＴＭＡＰ等算法的优点有机结合，并以样本在实例空间出现的概率为启发信息修改分类．ＦＴＡＲＴ由于采用了不同于其它算法的冲突解决和动态扩大分类区域的方法，因此取得了较好的效果．本文还对实现ＦＴＡＲＴ算法的结果进行了验证．     

FTART2神经网络及其规则抽取研究

本文提出了一种基于域理论的自适应谐振神经网络算法ＦＴＡＲＴ２,算法将自适应谐振理论和域理论的优点有要结合,不需人为设置隐层神经元,学习速度快,精度高。此外,本文不提出了一种从ＦＴＡＲＴ２网络中抽取符号规则的方法。实验结果表明,使用该方法抽取出的符号规则可理解性好,预测精度高,可以很好地描述了ＦＴＡＲＴ２网络的性能。     

基于ART神经网络的机器人避碰撞系统

提出了一种基于ART神经网络的避碰撞系统(ARTCAS)。该系统采用划分区间法来描述障碍物状态,把一个全方位避碰撞问题分解为若干个区间内的避碰撞问题。结合ART神经网络学习新知识而不破坏已有知识的特点,实现了一个具有在线学习和躲避以任意速度任意角度运动的障碍物能力的避碰撞系统。     

慢速权值更新的ART2神经网络研究

ART2是基于自适应谐振理论的一种自组织神经网络,通过竞争学习和自稳机制原理实现分类,可以在非平稳的、有干扰的环境中进行无监督的自学习,其学习过程能迅速识别已学习过的样本,并能迅速适应未学习过的新对象。提出了一种基于慢速权值更新的ART2神经网络算法,该算法在对输入模式进行识别分类时,会减慢学习速率,降低模式漂移的速度。新的网络学习规则在分类实验中取得了较好的效果,并在一定程度上解决了模式漂移问题。     

基于多主体的项目开发虚拟组织

从ontology的建立、任务的语义描述到主体结构、程序结构、心智模型的构造,建立了一个基于多主体技术的分布式虚拟协作系统,提出一种以Fuzzy ART网络为心智模型的反应主体结构,从而赋予主体在动态环境下的自适应性、竞争性、自组织性和集聚能力。所提方法在一个多主体平台上加以实现,运行结果证明了这一结构的合理性,也显示了ART网络在动态环境中的自组织和无监督学习能力。     

FUZZY ARTMAP在三字词声调识别中的应用

三字词音节声调模式具有连续语音中音节声调模式的特征，声调的提取和识别远较孤立字困难。采用小波变换方法提取语音基音，用Fuzzy ARTMAP神经网络进行声调识别，获得了比BP网络更好的实验结果。分析了仿真参数对识别结果的影响，讨论了Fuzzy ARTMAP神经网络中的过拟合问题，给出了一种基于Fuzzy ARTMAP神经网络的三字词声调识别方法。     

基于域理论的自适应谐振神经网络分类器

提出了一种基于域理论的自适应谐振神经网络模型FTART2(field theory based adaptive resonance theory 2).该模型结合了自适应谐振理论和域理论的优点,学习速度快,归纳能力强,效率高,可以根据输入样本自适应地调整拓扑结构,克服了前馈型网络需要人为设置隐层神经元的缺点.基准测试表明,FTART2在学习精度和速度上都远远优于标准BP算法.     

ARTNIDS:基于自适应谐振理论的网络入侵检测系统

分析了现有的入侵检测方法,设计了基于自适应谐振理论的网络入侵检测系统（ARTNIDS）.它采用了一种全新的行为表示方法,即根据网络数据包结构定义网络行为特征变量;利用改进的自适应谐振理论算法,提高了学习效率,使丢包率由15%左右降低到10%以下,实现了无监督和在线实时学习;提出的类似Hamming距离的检测算法,使误报率低于10%.依上述方法构造的原型系统经实验证明能高效地检测出局域网内的入侵行为.     

一种基于简化FUZZY ARTMAP的声调识别规则获取方法

本文以音节作为声调识别基元,以简化FUZZY ARTMAP作为声调识别系统模型,研究了具有连续语音音节特征的三字词的声调识别问题.在此基础上,对三字词进行了声调识别规则的自动抽取,经网络剪枝、权值量化和规则合并后,得到了若干条与声调模式的统计分布一致的规则.这些规则具有一定的普遍意义,可用于声调识别和声调模式分析.获取规则的方法可直接应用于连续语音     

改进的ART2型神经网络在故障诊断中的应用

针对传统ART2型神经网络的缺点,提出了一种增强了网络执行速度的改进的ART2型神经网络。改进后的算法避免了传统ART2因输入次序不同而导致的输出结果不同的缺陷。应用了一种新的方法计算输入模式与所有模式的相似度。为了解决传统ART2型神经网络的模式漂移问题引入了激活深度的概念。改善了ATR2型神经网络的适用性。     

一种基于神经网络的垃圾邮件过滤方法

垃圾邮件问题日益严重,受到研究人员的广泛关注,基于各种技术的垃圾邮件过滤方法应运而生,其中神经网络技术应用广泛.现在主要采用的后向传播(BP)神经网络虽然在垃圾邮件过滤中取得很好的效果,但仍然存在局部极小点、不能适应新样本、学习效率较低等诸多问题.因此,本文将一种有导师、可在线学习的自组织神经网络--预测自适应谐振理论神经网络(ARTMAP),运用于垃圾邮件过滤,提出了一种新的基于ARTMAP的垃圾邮件过滤方法.实验表明,基于ARTMAP的邮件过滤能够对垃圾邮件进行有效的过滤,在保证正确率的同时,更能适应当前垃圾邮件特征不断变化的环境.     

基于域理论的自适应谐振神经网络研究

提出了一种基于域理论的自适应谐振神经网络算法 FTART,有机结合了自适应谐振理论和域理论的优势 ,以一种独特的方式解决了示例间冲突和分类区域的动态扩展 ,不仅不需要手工设置隐层神经元 ,可以还获得了较快的训练速度和较高的预测精度 .同时还提出了一种可以从训练好的 FTART网络中抽取可理解性好、精度高的符号规则的方法 ,即基于统计的产生测试法 .实验结果表明 ,用该方法抽取的符号规则可以较好地描述FTART的功能.     

云自适应遗传算法

传统自适应遗传算法(AGA)虽能有效提高收敛速度,却难以增强算法的鲁棒性.以当代种群平均适应度为期望Ex,根据云模型"3En"规则确定熵En,由X条件云发生器自适应调整交叉变异概率,提出云自适应遗传算法(CAGA).由于云模型云滴具有随机性和稳定倾向性特点,使交叉变异概率值既具有传统AGA的趋势性,满足快速寻优能力;又具有随机性,且当种群适应度最大时并非绝对的零概率值,有利于提高种群多样性,从而大大改善避免陷入局部最优的能力.典型函数优化实验表明,与标准遗传算法(SGA)和AGA相比,CAGA具有更好的收敛速度和鲁棒性.     

ART2wNF及其稳定性——可塑性动态平衡性能分析

稳定性-可塑性两难问题的核心是系统如何在不削弱或忘记已学习模式的同时, 自适应地学习新事物. 目前公认自适应谐振理论(Adaptive resonance theory, ART) 能够部分解决稳定性-可塑性两难问题, 但依然存在学习受样本输入顺序影响大, 且存在学习中心渐变样本时, 带来的所谓模式漂移的问题. 受进化生物学关于人类学习的幼态延续特征的启发, 本文为每个F2层节点配备活跃度指示器λ, 并将其反馈回F1层参与STM(Short term memory) 向量的计算, 使这种新型ART2 网络在行为特征上具备幼态延续的显著特征, 本文称之为ART2wNF (Adaptive resonance theory with neoteny feature).论文从理论上证明算法的可行性, 并通过分析对随机生成样本集合的学习过程, 对比了ART2wNF 算法与常规ART2 网络在可塑性、稳定性方面的差异以及ART2wNF 在克服样本输入顺序影响等方面的优势.     

基于多FART神经网络的彩色图像分割

提出了一种适用于彩色图像分割技术的多模糊自适应谐振(FART)神经网络结构.网络的输入为RGB色彩空间的彩色图像,并将其转换为HSV色彩空间的三组彩色分量-色调,亮度和饱和度,而后利用多FART神经网络的分类能力,将三组分量进行分类的图像输入到决策层,经过融合和分割处理后,最终得到正确的彩色分割图像.与彩色分水岭算法相比,采用上述图像分割算法得到了较好的分割效果.