一种抗漂移的改进ART2网络GSC-ART2研究

ART2是一种基于自适应谐振理论的无监督神经网络,由于其快速响应、实时学习等特点,被广泛地应用在实时聚类问题中。传统的ART2存在幅值信息丢失、容易产生模式漂移的问题,本文针对此不足提出了一种基于广义相似度和置信度的GSCART2网络。其通过引入广义相似度检测和竞争机制,解决了幅值信息丢失的问题。置信度结合广义相似度的权值调整方式抑制了模式漂移并使网络的连接权值更加准确。通过实验表明,GSC-ART2网络在处理幅值相关、样本渐变分类问题上的识别性能均优于传统ART2网络,从而证明了此GSC-ART2网络的有效性,也为解决模式识别中普遍存在的模式漂移问题找到了一种优良的解决方法。