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...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.展开更多
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...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。展开更多
文摘稳定性-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.
