H通过非线性信号函数的对比增强，噪声抑制和衰减的不匹配.doc

ART2: 模拟输入模式的稳定类型识别编码的自组织网络 摘要：自适应谐振体系结构是一种可以实时响应任意序列输入模式的，自组织地进行稳定模式编码的神经网络。本文介绍了一种自适应谐振体系结构－ART2，对于任意序列的模拟或二进制输入模式,这种结构能迅速自组织地进行模式识别并聚类。为了处理任意序列模拟输入模式，ART2体系结构将问题的解决方案整理，并表达为一组设计原则：如稳定性－可塑性平衡，搜索－直接存取平衡，以及匹配－复位平衡。在这些体系结构中，自上而下学习期望和匹配机制在自稳定的编码过程中是至关重要的。随着学习进程的开始,并行的搜索方案使ART2可以自我更新，并实现实时的假说建立、测试、学习和识别过程。经过学习自我稳定后，搜索过程可以自动脱钩，此后输入模式可直接访问他们的识别码而不需要再搜索。因此, 识别熟悉的输入所用的时间不随学习编码的复杂性而增加。如果新的输入模式与已熟知类别的样本集合具有共同的不变的属性,那么它可以直接访问这一类别。警戒值参数则决定了该分类的细致程度。如果由于环境反馈,警觉性增加（或减少），系统就会自动搜寻并更细（或更粗）地进行识别分类。增益调节参数能使ART2抑制噪音达到一定水平。尽管ART2网络具有高度的非线性，其的全局性设计仍使它能够有效地学习。 自适应谐振体系结构 自适应谐振体系结构是一种可以实时响应任意序列输入模式的，自组织地进行稳定模式编码的神经网络。在文[1]中,Grossberg提出了自适应谐振理论的基本原理。在文[2]和[3]中，Carpenter和Grossberg用一组常微分方程刻画了一类被命名为ART1的自适应谐振结构。对于任意序列的二进制输入模式，经证明的定理已能说明ART 1 网络实时动态特性。这些定理预示了搜索的顺序（可视为网络的学习过程的函数）和渐近分类结构是有任意序列的二进制输入模型自行组织的。这些定理也证明系统自稳定性能和说明了该体系的适应权重振动至多一次，而不会陷于伪存储状态或局部极小值。 本文介绍了一类新的自适应谐振结构，所谓的2。任意序列的模拟（灰度级，连续值）输入模式以及二进制输入模式ART 2网络自组织稳定的识别分类每个数字下面ART 2聚类为相类别。Secs.V-VIII中给出。ART网络通过修正连接权重,也就是自下而上的自适应过滤器的长期记忆系统（LTM）的迹，来对新的输入模式进行编码（图2）。这个过滤器从特征场（F1）类场（F2）节点合作与竞争的。这种自适应和竞争结合，有时也被称为竞争学习许多其他的自适应模式识别和学习。见rossberg关于竞争学习模式在网络，自向下。这种自上而下自适应信号在系统期望它们注意，模式匹配，自我调节的并行搜索ART设计的关键点之一是对于任意输入环境自下的注意和自稳定学习自下而上和自下自适应，F1和F2 包含在ART的注意子系统（见图2 ）自上F1层输入与自下的期望F2中激活类别所输出）匹配失败时，调整子系统在这种情况下系统F2层的激活类别。重置动作将自动导注意子系统进行行搜索。因为搜索整个学习过程是自适应地更新搜索有效相对学习快只有当一个搜索系统内部自下而上和自上而下自适应系统进行了一次搜索过程 图1.50个模拟输入模式类别分组到34识别类 图2.一个典型的ART1结构 自下向上自适应（或假说）的选择自向下期望匹配和代码复位表明，在，自适应模式识别是更的认知过程发现，测试，，学习，并假说一个。系统大型抽象的知识基础，这使得ART体系结构能够学习以后不可预料的事件，直到耗掉所有的存储容量。 在一个共振状态下学习，要么是基于输入模式可能含有任何新的信息的节点。举例说，假如在任何时间新的五十，该系统将搜索的最初的搜索周期匹配，如果有将新如果没有匹配，尚未用尽，未对由输入建立的STM模式进行编码，从而建立一个新的类别。该体系结构的自适应搜索，可发现和了解恰当的识别不在或局部在其它的搜索模式，如搜索，变得越来越复杂搜索时间长与之相反，在一，只识别时搜索，搜索保持其效率。前学习自稳定读出一个由上而下的期望动态缓冲，而不是由关掉可塑性或限制例如图1在50输入模式，学习自稳定。一般，在一ART结构中，一个特定的一旦学习自稳定，搜索机制自动此后，速和直接或。输入模式和选择的类别模板匹配准则是控制子系统参数。所有其他是一样的，高警惕更严格的标准，输入。低在F1容忍更大上而下的自上的，（图3）此外，在每一个水平，匹配的标准自：如果输入模式复杂，可能是容忍的，输入会触发。 图3. 较低的警惕意味着分组粗化.与图1相同的ART2网络将同样50个输入分为20个类别。例如,图1中的类别1和2被合并为类别1,类别14、15和32在这里被合并为类别10，类别19-22被合并为类别13. 图4. 一种没有一个面向子系统的ART2模型学习分