数字视频图像处理与通信教学课件ppt作者刘富强王新红宋春林陈康力第8章课件.pptVIP

自适应共振理论网络 自适应共振理论(Adaptive Resonance Theory ，简称为ART)网络是由美国Boston大学的S . Grossbery和A . Carpentet提出的。该网络有两种形式:ART1用于处理二进制式双极型数据。ART2用于处理连续值输人信号。ART网络主要应用于模式识别、图像处理、语音处理、过程控制、故障诊断等领域。 ART的主要优点 可完成实时学习，且可适应非平稳的环境。 对已学过的对象具有稳定的快速识别能力，同时又能迅速适应未学习的新对象(前部分通过注意子系统完成，后部分通过取向子系统完成。 具有自归一能力，根据某些特征在全体中所占的比例，有时作为关键特征，有时又被当作噪声处理。 不需事先已知结果，可在无监督式下训练学习。 容量不受输人通道数的限制，存储对象也不要求是正交的。 ART1网络结构 ART1网络一般由两层神经元和控制部分组成，如图所示。 ARTl模型结构 比较层C 比较层C有 个节点，每个节点接受输入信号 ，由上一层返回的信号和增益控制器 的控制信号。节点的输出s根据2/3规则，即“多数表决”产生，即，3个信号中有2个为1，则输出为1，如下图所示。 2/3规则产生输出示意图 竞争层R(竞争子网络) 网络的竞争层(即输出层)有 个节点，代表 类输出模式。R层节点接受来自C层的信号，同时受控制器 的输出控制。C层的信号送至R层后，经过竞争，在R层获胜的节点，代表了输入向量的模式类别。 控制部分 为增益控制器，它接受输入信号 和由R层返回的信号 ，当输人信号 不全为零，R层输出 全为零时， 给出加强信号；在其他情况， ，给出抑制信号。 为R层起功控制器。当 全为零时 ； 不全为零时 ，使 R层工作。 为匹配控制器。在输入信号 和由R层返回的信号占匹配较好时， 没有输出；当不匹配时， 输出一个复位信号，抑制R层中获胜的那个节点，这表示此次选择的模式不满足要求，重新进行竞争。 AkT1网络运行过程 （1）初始化阶段。设置由C层至R层的初始连接权值 和由R层至C层的初始连接权值 在输入样本之前，设置 ， ，R层输出全为零，使每个节点都有平等的竞争机会。 （2）识别阶段。当输入样木数据 ， ， ，由2/3规则。C层第 个节点的输出为 在R层第 个节点的输入为 （3）竞争阶段。在R层中的节点经过竞争算法，得到一个输出最大的节点 ，其输出 ，而所有其他的节点输出均为 ， ， 。 AkT1网络运行过程 （4）比较阶段。R层的输出信息返回C层，这时 ，输人C层的信号与由 和返回信号 组成，根据2/3规则改变C层输出为 。C层第 个节点的返同信号为 故C层的第 个节点的输出为 （5）再竞争阶段。这时R层的输出全为零，由于 输出了一个复位信号。此时 ，在C层输出端又得到 ，于是网络又进入竞争阶段，竞争后，又得到新的获胜节点，再进入比较阶段。如此重复进行，直到网络充分匹配为止。 ART1网络学习算法 （1）初始化。 设置 设置 为警戒线，为匹配程度的阀值。 （2）输人样本模式数据 （3）计算R层节点输出口 （4）选择获胜节点 。 ART1网络学习算法 （5）比较与匹配检测。 设向量中不为零的个数用 来表示，定义 那么 如果 ，则接受 为获胜节点，转步骤⑦。否则转步骤⑥。 （6）R层节点的输出暂时设定为零，使之不再参加竞争，转至步骤③。 （7）调整网络权值 （8）取消步骤⑥中对R层最佳一节点的抑制，返至步骤②。 8.5支持向量机识别方法 前文介绍的多层前向网络结构简单，易于实现而且计算速度快，但是它是依赖于经验的启发式技术，存在以下几个问题： BP算法是用梯度法导出的，因此优化过程可能陷入局部极值，网络训练的质量没有保证。 学习的目标是分类误差应对所有可能的点都达到极小，而推导出BP算法的目标函数是经验风险，它能保证分类