灰色自适应谐振理论及其性能评估

【摘要】： 神经网络的学习方式通常包括三种：监督(supervised)学习、无监督(unsupervised)学习和强化(reinforcement)学习。由S.Grossberg和G.A.Carpenter等人提出的自适应谐振理论(Adaptive Resonance Theory-ART)是采用无监督学习的竞争型神经网络模型，其记忆方式与生物记忆形式类似，记忆容量可随学习模式的增加而增加，不仅可进行实时的在线学习，还可随环境的改变而进行动态的学习，具有良好的自适应性。 根据相似度函数的对称性，ART模型一般分为两类：一类属传统ART型，其相似度函数是非对称的；另一类为SART(Simplified ART)型，其相似度函数是对称的。由于两类模型的简单学习规则和动态在线学习特性使其获得了广泛的应用。但其关键的权重调整仅考虑了学习率及输入模式与竞争获胜神经元权重间的差异，忽略了输入模式与所有参与竞争的其它神经元权重间的某种(隐含的)相关关系。为此本文借助Deng的灰色关联系数(Grey Relation Coefficient-GRC)刻画和突出了这种关系，并显式地将其引入到传统ART和SART模型的学习规则中，从而构建了一族灰色ART(Grey ART-GART)和灰色SART(GSART)模型。所谓一族是指模型的学习规则中的灰色关联函数是一个函数族，包括多项式、指数、正切函数。在对GRC的进一步分析发现它仍忽略了输入模式与所有参与竞争的神经元权重间的整体描述特性。本文通过在GRC中加入该整体特性，相应构建了另一族改进的GART(Improved GARTIGART)和改进的GSART(IGSART)模型。最后，在Iris和Wine数据集上的实验证实了两族模型的有效性和可行性。