ویژگیهای شبكه‌هاي عصبي مبتني بر الگوريتم رزونانس تطبيقي

  • يادگيري بر اساس تطابق نمونه‌هاي جديد با نمونه‌هاي ديده شده

در اكثر طبقه بندها الگوريتم آموزش بر اساس نوعي اصلاح خطا در خروجي بوده و الگوريتم سعي در كم كردن فاصله بين خروجي مطلوب و خروجي واقعي شبكه دارد. به علت خصوصيات ذاتي در اين نوع الگوريتم‌ها از مشتقات و ماتريسهاي گراديان و… استفاده شده كه بار محاسباتي و الگوريتمي سنگيني به شبكه تحميل مي كند. اما در شبكه‌هاي ART و ARTMAP الگوريتم آموزش بر اساس تطابق نمونه‌هاست و نه اصلاح خطاي ايجاد شده. اين امر باعث مي شود با تعريف يك سري قوانين و معيارهاي ساده آموزش براي اندازه گيري اين تطابق،‌شبكه فاز اموزش را به سرعت طي كرده و بار محاسباتي و الگوريتمي تحميل شده بر سيستم كاهش يابد.

  • تعريف لايه اي از گره‌ها در شبكه به عنوان خوشه به همراه يادگيري افزايشي

اين خاصيت باعث شده كه شبكه بدون فراموش كردن نمونه‌هاي قبلي قابليت يادگيري نمونه‌هاي جديد را نيز داشته باشد. علاوه بر اين تعريف گره‌ها به عنوان خوشه باعث شده كه يادگيري در اين شبكه‌ها، كيفي باشد بدين معنا كه با تغيير در اندازه خوشه‌ها، نمونه‌هاي جديد به خوبي فرا گرفته شده و افزايش تعداد نمونه‌ها، بندرت منجر به حجيم شدن شبكه مي شود.

  • وجود پارامترهاي ذاتي با بازه تغييرات مجاز محدود و عملكرد بهينه شبكه در اكثر نقاط بازه
  • تعيين تعداد گره‌هاي بهينه توسط شبكه به صورت خودكار

اين خاصيت از پوياييهاي ذاتي شبكه‌هاي ART و ARTMAP محسوب شده و نه تنها طراحي شبكه را بسيار آسان كرده، بلكه قابليت استفاده از آن را در كاربردهاي به هنگام نيز، فراهم ساخته است. به دليل وجوداين ويژگي ذاتي، پيكربندي شبكه‌هاي مذكور به شدت انعطاف پذير مي باشد.

پیام بگذارید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

52 − = forty seven