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.     

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.     

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。     

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。     

基于小波与ART2网络的实时状态识别

构造出一类用递推公式进行小波变换的小波基,提出此类小波的优化方法,对其时频特性进行了分析。针对传统ART2网络只利用了模式的相位信息而丢失了幅度信息和网络的性能依赖于样本的学习顺序等不足,提出了改进型ART2网络。对刀具AE信号进行递归小波分解,提取特征并应用于改进的ART2网络识别刀具状态。实验结果表明,递归小波能反映刀具状态信号的特征,且实时性好。改进的ART2网络更具鲁棒性,识别率为100%,训练耗时仅占传统ART2网络的3.79%。     

改进ART Ⅱ算法的仿真研究

ART Ⅱ网络以模式的相似性量度值为基础,能够对动态的输入模式样本进行自适应的聚类和识别,然而标准的ART Ⅱ网络在输入数据处理过程中,忽略了样本数据中的负数信息和幅值信息,造成信号畸变和"同相位不可分"问题,在权值调整过程中,聚类中心发生移动,容易造成"模式漂移"现象。针对上述问题结合相关文献提出了引入非线性函数对输入数据进行变换的方法解决"同相位不可分"问题,用待测数据与同一模式类中有限数据的欧氏距离与限定值进行比较实现聚类判定,抑制"模式漂移"现象。用Matlab仿真表明,改进算法性能优于标准算法。     

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。     

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ART1神经网络的统计过程控制系统

统计过程控制(SPC)在改进过程水品、提高产品质量方面作出了巨大贡献.本文讨论了一种基于自适应谐振理论(ART)神经网络的SPC系统.与一般SPC系统相比,本系统不仅可以在线检测过程异常,对各种控制图异常模式还具有实时学习、在线识别功能.同时,本系统对过程的分析,无需如常规控制图一样,建立在正态假设的前提下,因此应用更方便、范围更广泛.作为一种新的SPC工具,ART1神经网络为改进控制图的应用提供了一种新的可能.     

改进ART1神经网络在航空发动机故障诊断中的应用

根据航空发动机故障诊断原理和飞参数据,提出了一种改进ART1神经网络故障诊断方法。该法对数据预处理后,运用四阈值法和二次判断建立故障代码消除“伪故障”,并对ART1神经网络的输入层进行了改进,在诊断突发性故障的基础上,增加了对因为部件原因而引起的渐变性故障的诊断。实验结果证明,该方法精确度高,噪声抑制力强,而且诊断准确,大大降低了虚警率。     

具有更严格警戒测试准则的ART2神经网络

在ART2神经网络的标准警戒测试准则中,通过引入截断双曲线函数来计算输入矢量与神经网络由顶向下权重矢量之间的相似程度,而提出了一种新的具有更严格警戒测试准则的ART2神经网络。截断双曲线函数一方面抑制输入样本中的噪声,另一方面,如果输入矢量某些分量与由顶向下权重矢量对应分量之间存在冲击变化时,则截断双曲线函数将放大这些对应分量之间的冲击变化。而且这种新的警戒测试准则具有更强的抗噪声能力。即在较低的输入信噪比水平上,具有更严格警戒测试准则的ART2神经网络比标准ART2神经网络具有更高的正确识别率。     

基于ART1网络的字符识别器

通过标准自适应共振理论神经网络(Adaptive Resonance Theory, ART),设计和实现了一个字符识别器,针对标准的 ART1网络存在的不足,即网络的学习不稳定,对样本输入顺序比较敏感等问题,给出了改进方法,用C语言实现了这2种字符识别器,实验结果表明这2种字符识别器能够对不同的字符进行识别,改进方法比基于标准ART1网络具有更好的稳定性。     

基于模糊神经网络的中成药组成药材识别

提出一种用于中成药组成药材识别的模糊推理神经网络。该网络借鉴自适应共振(ART)的思想，参考正规化模糊神经网络而构造。网络采用两阶段工作模式，首先根据中药材样本特征学习网络结构，而后再进行集中批学习网络参数。网络为中成药组成药材识别定制，也可用于中药材识别经实际测试，达到了预期效果，为中成药药方解析、中成药质量控制和鉴定提供了一个新方法。     

Incremental clustering of mixed data based on distance hierarchy

Clustering is an important function in data mining. Its typical application includes the analysis of consumer’s materials. Adaptive resonance theory network (ART) is very popular in the unsupervised neural network. Type I adaptive resonance theory network (ART1) deals with the binary numerical data, whereas type II adaptive resonance theory network (ART2) deals with the general numerical data. Several information systems collect the mixing type attitudes, which included numeric attributes and categorical attributes. However, ART1 and ART2 do not deal with mixed data. If the categorical data attributes are transferred to the binary data format, the binary data do not reflect the similar degree. It influences the clustering quality. Therefore, this paper proposes a modified adaptive resonance theory network (M-ART) and the conceptual hierarchy tree to solve similar degrees of mixed data. This paper utilizes artificial simulation materials and collects a piece of actual data about the family income to do experiments. The results show that the M-ART algorithm can process the mixed data and has a great effect on clustering.     

基于模糊神经网络的飞行仿真转台控制

针对飞行仿真转台系统的非线性问题,提出了基于模糊神经网络的自适应控制方法,并且提出了新的推理算法,该控制方法结合了神经网络和模糊推理的优点,可以更合理地选择初始权值,既可提高神经网络的学习过程又可在线寻优模糊规则,通过实验表明该控制方法可以明显提高控制系统的跟踪性能,并且具有很强的对外干扰和非线性因素的鲁棒性。