معرفی شبکه عصبی ART یا Adaptive Resonance Theory

ART [1]يا همان تئوري رزونانس تطبيقي، توسط گراسبرگ[2]، به عنوان تئوري شناختي پردازش اطلاعات درانسان، در سال  1976(م)، ابداع شد. در 1987(م) در رويكردي جهت حل مسئله پايداري – انعطاف پذيري[3] در شبكه هاي عصبي، كارپنتر[4] و گراسبرگ اولين عضو خانواده ART را تحت عنوان ART1، ارائه كردند. هر چند، اين مدل به خاطر پيچيدگي هاي رياضياتي و اينكه فقط براي خوشه بندي خود سازمان‌دهي شده الگوهاي ديجيتال، مناسب بود، چندان با اقبال مواجه نشد. علاوه بر اين، در مقايسه با الگوريتم باز تعريف شده پس انتشار خطا[5] براي شبكه هاي MLP [6]، ديگر ارزش كاربردي خاصي نداشت.

بازه زماني بين سالهاي 1987 تا 1992 (م)، شاهد معرفي و ابداع اعضاي ديگر خانواده ART با تنوع زياد و به صورت شبكه هاي عصبي با ناظر[7] و بدون ناظر[8] بود. پيشرفته‌ترين مدل خانواده ART از نوع با ناظر، تحت عنوان ARTMAP Fuzzy توانايي پردازش بر روي اطلاعات از هر دونوع باينري و آنالوگ را دارا بود. اساسي ترين نقص شبكه هاي عصبي از خانوادة ART، كه باعث عدم استقبال ديگران شده بود، پيچيدگي آنها بود. به اين شكل كه ابداع كنندگان، به جاي توضيح الگوريتم وار و ساده، اين شبكه ها را به فرم سيستم هاي سخت افزاري با معماري پيچيده، معرفي كرده بودند. اين مشكل بعدها توسط خود ايشان شناسايي و رفع شد. بعد از آن محققين ، مدل هاي اصلاح شده وبهبود يافته و گاهي ساده‌تر و متنوعي را ارايه كردند. امروزه شبكه هاي عصبي FAM[4] به عنوان شبكه هايي با الگوريتم پيشرو جهت حل مسايل مربوط به طبقه بندي الگوها [9] شناخته مي شوند. در مقايسه با شبكه هاي MLP كه آموزش در آنها بر اساس كمينه كردن خطا مي باشد، در FAM اساس كار بر بهبود مدل نمونه هاي [10] اوليه، استوار است. بدين معني كه براي هر داده ورودي، MLP، خطاي بين خروجي مربوطه و برچسب مطلوب متناظر با آن ورودي را كاهش مي دهد، در صورتي كه در FAM ، آموزش به اساس انتخاب نزديكترين گونه يا خوشه موجود به ورودي است. آموزش در FAM به صورت باناظر وافزايشي[11] است و در شرايطي كه به آموزش سريع و با تعداد نمونه هاي اوليه محدود، نياز باشد، سيستم مناسبي را در اختيار قرار مي دهد. اين شبكه قادر است نمونه هاي جديد را بدون فراموش كردن داده هاي قبلي ياد بگيرد. اين قابليت كه پيشتر نيز بدان اشاره شده بود نقش تعيين كننده اي را در يادگيري افزايشي ايفا  مي كند. با افزايش داده هاي ورودي و افزايش متعاقب پيچيدگي در فضاي داده هاي آموزش، پيچيدگي FAM نيز، با افزايش تعداد نودهاي شبكه به صورت ديناميك و بدون دخالت كاربر، بيشتر مي شود. اكثر شبكه هاي عصبي ديگر داراي پيكر بندي ثابتي هستند. براي مثال در شبكه MLP تعداد لايه هاي مخفي و نودهاي آنها بايد ابتدا برآورد شوند از اين رو كه درطي فرايند آموزش قابل تغيير نمي باشند. بنابراين اگرتعداد نودهاي مخفي شبكه كمتر يا بيشتر از تعداد مورد نياز مسئله باشد. دو نوع مشكل اساسي در شبكه رخ مي نمايد. درصورت كم بودن گره ها شبكه قادر به ارايه تقريب مناسبي از پيچيدگي فضاي الگوها نيست[12]. اگر تعداد گره هاي مياني بيش از حد زياد باشد، به قدري دقيق فضاي مشخصه ها فراگيري شده و شبكه به آن منطبق مي شود كه قابليت تعميم دهي شبكه و با بالتبع آن، درصد صحت كلاسه بندي، بر روي داده ها آزمايش، به شدت كاهش مي يابد[13]. در هر دو مورد ذكر شده كارايي شبكه بهينه نمي باشد. لذا استفاده از FAM، به سبب انعطاف پذيري ذاتي آن، كه در اكثر شبكه‌هاي عصبي ديگر موجود نيست، كار طراحي را بسيار ساده مي كند. به صورتي كه ديگر به آزمايشهاي فراوان اوليه براي تخمين پارامترهاي مناسب شبكه، نيازي نيست. مزيت ديگر اين شبكه، عدم وابستگي طراحي آن به ريزه كاري هاي فراوان وتنظيم پارامترهاي زياد و پيچيده است. همچنين بازه هاي زماني كوچك براي آموزش و همگرايي سريع از مزاياي ديگر FAM  مي باشد. [7،6،4]

كارآيي FAM و ديگر گونه هاي منشعب از آن در بسياري ازمسايل كلاسه بندي، به عنوان     سيستم هاي يادگيري دقيق و سريع به اثبات رسيده است، از جمله مي توان به بازشناسي خودكار هدف براساس پروفايل برد را دار [8]، باز شناسي واكه هاي صوتي مستقل از گوينده [9]، بازشناسي دستخت بلا درنگ [10]، بازشناسي سيگنال هاي QRS [11]، تشخيص انواع سرطانهاي سينه و بيماري هاي قلبي [12]، يادگيري وتشخيص ابعاد اشياء سه بعدي از روي سري تصاوير دو بعدي آنها [13]، كلاسه بندي سيگنالهاي نويزي [14] تشخيص فرد الكلي از غير الكلي [15]، تشخيص ناهنجاري هاي ژنتيكي [16]، كه اخيراً بسيار مورد توجه قرار گرفته است، و بسياري موارد ديگر [23،22،21،20،19،18،17] ، اشاره كرد.

مهمترين نقص FAM مربوط به حساسيت آن به هم پوشاني [14] بين خوشه هاي ايجاد شده است. طبيعت خود سامانده بودن آموزش در اين شبكه باعث مي شود كه عليرغم پيوستگي يادگيري نمونه هاي جديد، در مورد نمونه هاي نويزي مشكل ايجاد شود و آنها به اشتباه، خوشة جديد و منحصر به فردي را به خود نسبت دهند از اين حساسيت كه منجر به ايجاد خوشه ها (نودهاي) بيش از حد مورد نياز مي شود. تحت عنوان پديدة تكثير بي روية خوشه ها[15] ياد مي شود. افزايش حافظه مورد نياز و پيچيدگي شبكه، بار محاسباتي اضافه و در نتيجه كاهش قابل ملاحظه صحت كلاسه بندي از عواقب رخ نمودن اين پديده مي باشد. [29، 28 و 27 و  26و 25و 24و 16و 9و 7]. افزايش صحت كلاسه بندي و كاهش پيچيدگي و تعداد نودهاي شبكه FAM در سالهاي اخير توجه اكثر محققان را جلب كرده و بيشترين مطالعات بر روي اين موارد متمركز بوده است.

[1] – Adaptive Resonance Theory

[2] – Grossberg

[3] – Stability – plasticity dilemma

[4] – Carpenter

[5] – Back propagation

[6] – Multilayer Perceptron

[7] – Supervised

[8] – Unsupervised

5- Pattern classification

[10]– prototype

[11]– incremental

[12] – Underfitting

[13] – Overfitting

[14]-orerlapping

[15]– Category Proliferation