ART—2网络学习算法的改进

详细介绍了ＡＲＴ－２网络的算法，通过一个渐变输入模式序列揭示了ＡＲＴ－２网络潜在的模式漂移现象，由此导出ρ＾０〉ρ＾０的矛盾，并改进了网络的学习算法，使其适用于对大规模的呈集群分布的输入模式序列的识别。     

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。     

用于模式识别的ART-2神经网络算法的改进

针对模式识别中模式有序输出的要求,对ＡＲＴ－２神经网络的算法进行了改进和调整,提出了ＡＲＴ－２神经网络的改进算法,通过对改进算法与原算法的识别试验结果进行比较,表明该改进算法对模式的有序输出是可行的和有效的。     

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。     

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。     

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。     

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。     

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.     

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。     

引入遗忘机制的ART2改进模型

论文针对ART2网络学习与记忆的特点,在原始ART2的基础上提出具有遗忘机制的改进模型,并开发了相应的MATLAB程序。改进模型解决了原始ART2网络权值学习的随机偏移问题,有效地过滤了噪声,提高了分类结果的稳定性,降低了空间存储消耗。文章进一步运用改进模型对典型输入样本进行了分类,得到了理想的结果。     

一种改进的ART型神经网络学习算法

指出常规ART1型神经网络的不足,提出了一种改进的相似度计算方法。它同时考虑两向量对应位子值,避免了ART1网络中两个向量由于输入顺序的不同而得到不同的相似度的结果;针对ART1网络模式识别的漂移问题,提出了少数服从多数原则来减少这种问题的出现。改进了ART1型神经网络的应用效果。     

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。     

2-D Shape Recognition using Recursive Landmark Determination and Fuzzy ART Network Learning

In this Letter, 2-D shape recognition is done using a combination of recursive search of landmarks, landmark-based invariant features, and a fuzzy ART neural-network classifier. To make this novel combination work well, an upper limit is imposed on the number of total landmarks allowed, and this maximum size is then translated into fixed dimensions of invariant features and into the neural processing of the features. It is shown that the recursive landmark search approximates very well any smooth 2-D shape contour, that the shape features used are independent of perspective transformation, and that, when combinedwitha fuzzy ART classifier, unknown features can be efficiently learned on-line to identify multiple distinct objects. An illustrative example is used to demonstrate effectiveness of the proposed algorithm.     

一种基于有监督的ART算法的数字识别应用

介绍一种新型神经网络算法，并将其应用于数字识别。在识别过程中，数字摄像头在现场摄取的数字图像传输到计算机中经过预处理后，采用有监督的ART神经网络算法识别并得到识别结果。通过实验证明，有监督的ART神经网络算法可以提高识别速度和正确率，具有较大的实用价值。     

神经网络ART模型在故障诊断中的应用

讨论了目前最成功的一种无导师神经网络模型──自适应谐振理论ＡＲＴ。分析了ＡＲＴ的工作原理，给出了ＡＲＴ的具体算法（已在ＰＣ－４８６上用Ｃ语言实现）；指出了ＡＲＴ的实质，并以“有轨自动物料搬运小车系统”为例详述了ＡＲＴ在故障诊断中的工作过程，获得了很好的结果。     

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。     

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.     

基于ART2神经网络的发动机故障诊断方法

发动机的故障诊断是一个动态的故障分类过程,许多故障诊断方法在对动态故障模式进行识别和分类时,存在对未知故障模式无法识别的问题。针对这一问题,引入ART2神经网络,利用db6小波包对发动机气缸盖的振动信号提取的特征向量作为网络的输入,应用实例证明,ART2神经网络不仅能正确识别学习过的故障模式,对突发、未知的故障模式也能很好地识别。