一种改进的ART2网络学习算法

分析了现有ART2网络存在的问题，提出了一种改进的ART2算法。该算法首先利用样本数据自身来初始化权值，然后按照同一类中的数据点到其聚类中心的距离之和越小(即类内偏差越小)，聚类效果越好的原则来设计特征表示场和类别表示场之间的权值修正公式，最后通过比较输入样本和聚类中心的模来有效地利用模式的幅度信息。分析证明了该算法不仅能有效解决模式漂移问题、充分利用幅度信息，而且能提高聚类速度。     

ART—2A的同相位不可分问题及其解决方法

自适应共振理论（ART）是一种典型的、无监督的、能够对复杂输入模式实现自组织识别的神经网络,本文经分析发现标准ART－2A算法中存在“同相位不可分问题”,由此提出新的F1层非线性变换函数和F2层竞争学习算法,把ART－2A算法的适用范围扩展到整个实数域,然后提出了相应的线性变换处理方法把“同相位不可分问题”转化为“整个坐标平面内的相位划分问题”,从而很好地解决上述问题,增强了ART－2A算法的适用性。验证算例的结果表明,新型ART－2A算法能够对更为广泛的数据模式进行自适应识别,分类结果准确。     

基于ART2神经网络与动态聚类的分类器

针对ART2神经网络用于模式分类时具有很好的聚类特性,但只用到相位信息而丢失了幅度信息,以及动态聚类用距离作为样本问的相似性测量,没有充分利用相位信息的问题,提出了一种结合ART2神经网络和动态聚类的方法。该方法利用了ART2神经网络和动态聚类的优点,克服了它们各自的缺点,使输入向量的信息得到充分的利用。时随机数和临床数据进行了分类仿真,结果表明该方法分类结果更准确,适应范围更广。     

一种ART2神经网络的改进算法

传统的ART2神经网络由于预处理阶段的归一化，易将重要但幅值较小的分量作为噪声清除，造成在分类中丢失重要信息，同时还存在模式漂移的不足，分析产生这些不足的原因，并基于去单位化以及类内样本与类中心的距离不同而对类中心偏移产生不同影响的思想，对传统的ART2神经网络算法进行了改进。对一组渐变数据的测试表明，改进后的网络有效改善了模式漂移现象。同时，改进的ART2神经网络在核辐射场数据处理分类中有一定的实用价值。     

二维空间聚类的树ART2模型

ART2网络是一种著名的聚类方法,已实际应用于诸多领域,其作用于二维空间数据,不仅存在模式漂移和向量幅度信息缺失的问题,而且难以适应不规则形态分布的空间数据的聚类。提出了一种树ART2网络模型(TART2),通过长期记忆(LTM)模式的调整和向量幅度信息的学习,使ART2网络保持了带空间距离约束的旧模式记忆;引入树结构优化,降低了警戒参数设置的主观要求,减少了模式交混现象的发生。对比实验结果表明,TART2网络更适用于带状分布的空间数据聚类,具有较高的可塑性和自适应性。     

基于ART2神经网络算法改进的研究

ART2神经网络是按照自适应谐振理论建立的一种自组织、无监督的人工神经网络.通过分析经典自适应谐振神经网络聚类过程,针对传统ART2神经网络模型对分类的不确定性和网络权值模式漂移等不足,提出了基于算法改进的ART2神经网络模型.最后对改进的ART2神经网络进行了仿真,并与经典神经网络所做仿真的结果比较,验证了改进的ART2神经网络结构大大提高了分类的正确率,有效改善了模式漂移现象.降低了空间存储消耗.     

A RT 2神经网络的一种改进

传统A RT 2神经网络在聚类过程中模式的匹配度量仅仅与模式的相位信息相关,这种匹配度量忽略了模式的幅度信息的作用,在对相位信息相同而幅度信息不同的两个簇进行聚类时,效果很差;同时,它还存在输入域限制的问题。针对这些不足之处,提出了一种改进的A RT 2神经网络,在输入模式进入网络学习过程中,保存其幅值信息,放宽对负实数的非线性转换,并考虑输入模式到各个簇的中心点的最短距离,同时增加一个阈值对离群点进行判定,消除了离群点对聚类结果的影响。实验验证,改进的A RT 2网络在对相同相位的两个簇聚类时,性能明显优于传统的A RT 2网络。     

基于ART2改进算法的故障聚类研究

ART2（自适应谐振理论2）算法是神经网络中一种可以对模拟输入信号或二值信号进行无监督聚类的算法,所以ART2算法能够降低数据挖掘中原始数据的预处理的复杂度,提高挖掘效率。针对ART2算法中出现的聚类中心偏移的缺点,采用ART2算法与K-均值算法相结合的方法来抑制ART2中聚类中心偏移的现象。通过仿真对该方法进行了验证。     

一种抗漂移的改进ART2网络GSC-ART2研究

ART2是一种基于自适应谐振理论的无监督神经网络,由于其快速响应、实时学习等特点,被广泛地应用在实时聚类问题中。传统的ART2存在幅值信息丢失、容易产生模式漂移的问题,本文针对此不足提出了一种基于广义相似度和置信度的GSCART2网络。其通过引入广义相似度检测和竞争机制,解决了幅值信息丢失的问题。置信度结合广义相似度的权值调整方式抑制了模式漂移并使网络的连接权值更加准确。通过实验表明,GSC-ART2网络在处理幅值相关、样本渐变分类问题上的识别性能均优于传统ART2网络,从而证明了此GSC-ART2网络的有效性,也为解决模式识别中普遍存在的模式漂移问题找到了一种优良的解决方法。     

ART2神经网络学习算法的改进

自适应共振(ART)神经网络具有无监督学习功能,能对时序信号进行实时学习、实时处理,能对已学习过的样本作出快速响应,自动识别等优点,尤其以ART2网络更具有实用性。但是传统的ART2网络存在幅度信息丢失和模式漂移等现象,针对这一情况,本文把模式漂移的方向作为一个因素进行考虑,通过设置漂移上限系数,引入栈结构对模式漂移的相反方向相互抵消,同一方向累加的方法有效限制了模式的飘移,对各改进算法进行比较体现本文算法的优越性。     

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。     

ART2网络结构与算法的改进

ART2网络中的模式匹配过程,以及相似度警戒测试过程均以模式的相似性量度值为基础。传统ART2网络的相似量度是一种关于模式相位信息的量度,在需要考虑模式幅度信息及处理集群分布样本时,效果很不理想。文章针对此不足,提出以欧氏距离为相似测度的新型网络:MART2。输入模式的幅度信息被提取出来,并送到相应的中间模式和警戒测试部分。新网络中引入三个辅助函数共同计算输入模式与存贮模式的相似度,使得在进行模式匹配和警戒测试时,幅度信息没有丢失。实验证明,MART2在处理集群分布样本时,性能优于传统ART2。MART2是对ART2网络的一种补充。     

使用LSA降维的改进ART2神经网络文本聚类

针对文本数据高维度的特点和聚类的动态性要求,结合隐含语义分析（LSA）降维,提出一种改进的ART2神经网络文本聚类算法,通过LSA凸显文本和词条之间的语义关系,减少无用噪声,降低数据维度和计算复杂性;采用改进的折中学习方法,减少计算步骤,加快ART2神经网络计算速度,并利用最近邻动态重组方法提高ART2网络聚类的稳定性,减弱算法对样本输入顺序的依赖。实验表明,改进的文本聚类算法能有效地实现动态文本聚类。     

一种改进的动态k-均值聚类算法

针对经典k_均值聚类方法只能处理静态数据聚类的问题,本文提出一种能够处理动态数据的改进动态k-均值聚类算法,称为Dynamical K-means算法.该方法在经典k-均值方法的基础上,通过对动态变化的数据集中 新加入样本进行分析和处理,根据聚类目标函数改变的实际情况选择最相似的类别进行局部更新或进行全局经典k_均值聚类,有效检测发生聚类概念漂移和没有发生聚类概念漂移的情况,从而实现了动态数据的在线聚类,避免了经典k_均值方法在动态数据中每次都要对全部数据重新聚类而导致算法速度过慢的问题.标准数据集和人工社会网络数据集上的实验结果表明,与经典k_均值聚类方法相比,本文提出的动态k_均值聚类方法能快速高效地处理动态数据聚类问题,并有效地检测动态数据聚类过程中所产生的概念漂移问题.     

基于幅值分量的ART2神经网络的改进

摘要： ART2神经网络由于其算法结构中固有的归一化环节,丢失了幅度信息,其相似量度是一种模式相位信息的量度,存在“同相位不可分”的缺点。文章针对此不足,将样本的幅度作为样本特征分量的办法,对传统的ART2网络进行了改进。实验证明,改进后ART2网络在处理集群分布样本时,性能优于传统ART2网络,同时,改进的ART2网络在核辐射场数据处理分类中有一定的实用价值     

基于ART 的RBF 网络结构设计

针对径向基函数(RBF)网络隐层结构难以确定的问题,基于自适应共振理论(ART)网络良好的在线分类特性,提出一种RBF网络结构设计算法。该算法将ART网络的聚类特性用于RBF网络结构设计中,通过对输入向量与已存模式的相似度比较将输入向量进行分类,确定隐含层节点个数和初始参数,使网络具有精简的结构。对典型非线性函数逼近的仿真结果表明,所提出的结构具有快速的学习能力和良好的逼近能力。     

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。     

基于覆盖树的自适应均值漂移聚类算法

为解决均值漂移聚类算法聚类效果依赖于带宽参数的主观选取,以及处理密度变化大的数据集时聚类结果精确度问题,提出一种基于覆盖树的自适应均值漂移聚类算法MSCT(MeanShift based on Cover-Tree)。构建一个覆盖树数据集,在计算漂移向量过程中结合覆盖树数据集获得新的漂移向量结果KnnShift,在不同数据密度分布的数据集上都能自适应产生带宽参数,所有数据点完成漂移过程后获得聚类结果。实验结果表明,MSCT算法的聚类效果整体上优于MS、DBSCAN等算法。     

基于距离度量学习的集成谱聚类

无监督学习聚类算法的性能依赖于用户在输入数据集上指定的距离度量,该距离度量直接影响数据样本之间的相似性计算,因此,不同的距离度量往往对数据集的聚类结果具有重要的影响。针对谱聚类算法中距离度量的选取问题,提出一种基于边信息距离度量学习的谱聚类算法。该算法利用数据集本身蕴涵的边信息,即在数据集中抽样产生的若干数据样本之间是否具有相似性的信息,进行距离度量学习,将学习所得的距离度量准则应用于谱聚类算法的相似度计算函数,并据此构造相似度矩阵。通过在UCI标准数据集上的实验进行分析,结果表明,与标准谱聚类算法相比,该算法的预测精度得到明显提高。     

结合无监督学习的数据流分类算法*

为了能有效应对数据流中的概念漂移现象,提出结合无监督学习的数据流分类算法.该算法以集成式分类技术为基础,在分类过程中引入属性约简,利用聚类算法对数据进行聚类,通过对比分类和聚类结果的准确率,判断是否发生概念漂移.实验表明,文中算法在综合时间花销和准确率上取得较好效果.