基于時間集成與自適應諧振的深度學習方法研究.pdf

1、ART2網(wǎng)絡是基于自適應諧振機制的無監(jiān)督運行的神經(jīng)網(wǎng)絡，由于其快速響應、實時學習等特點，被廣泛的應用在各類實時聚類問題中。ART2網(wǎng)絡是基于人類的認知規(guī)律而構建起來的，具有非常強的學習能力，尤其對新類的學習，因此具有很大的研究價值。
　　本文首先在對ART2網(wǎng)絡的運行機理做了詳細的研究基礎上，針對其存在的模式漂移、幅值信息丟失和警戒參數(shù)設置難等問題分別提出了改進方法，通過模擬實驗證明了各改進方法的有效性，使 ART2網(wǎng)絡的綜合性能

2、得到很大提升。本文第二部分工作是對認知理論中的記憶遺忘和轉化機理進行了深入的研究，并將其應用到ART2網(wǎng)絡中。本文定義了綜合記憶強度(CMS)概念，用于記錄ART2網(wǎng)絡各模式當前的記憶量，并在網(wǎng)絡不斷地學習中調整此CMS值。通過設置合理的CMS閾值則可以使ART2網(wǎng)絡具有對新類別進行檢出的能力。同時，結合人類辨別事物的規(guī)律-越熟悉的事物回憶速度越快，本文提出了基于 CMS值的獲勝模式選取方法。通過將當前CMS值最高的模式作為獲勝模式，降

3、低了網(wǎng)絡整體的運行復雜度?；谏鲜鰞刹糠盅芯?，ART2網(wǎng)絡的性能得到提升且功能得到完善。
　　為了處理大量與時間相關的分類問題，本文對時間集成神經(jīng)網(wǎng)絡(TANN)進行了深入的研究，并在前文研究的基礎上，構建了一種基于TANN和ART2的深度學習系統(tǒng)(TANN-ART2)。它不僅保留了原始時序數(shù)據(jù)中的時序信息，解決了傳統(tǒng)神經(jīng)網(wǎng)難以處理時序數(shù)據(jù)的問題，還能在學習過程中，從大量連續(xù)的時序數(shù)據(jù)中發(fā)現(xiàn)新出現(xiàn)的類別，使網(wǎng)絡表現(xiàn)出強大的學習能力