نظریه تشدید انطباقی

از ویکی‌پدیا، دانشنامهٔ آزاد
پرش به: ناوبری، جستجو

نظریه تشدید انطباقی (یا Adaptive Resonance Theory) توسط استفان گراسبرگ و جیل کارپنتر با نظر به چگونگی پردازش اطلاعات توسط مغز، مطرح شد. این نظریه چند مدل شبکه عصبی را توصیف می نماید که در آن‌ها از روش‌های نظارتی و غیر نظارتی برای یادگیری استفاده می شود.این نظریه در مسائلی نظیر تشخیص و پیشگویی الگوها، به کار گرفته می شود.

== مدل یادگیری ==LEARNING MODEL سیستم ART ابتدایی، یک مدل یادگیری بی سرپرست است. این سیستم معمولاً از یک فیلد مقایسه‌ای و یک فیلد تشخیص(ساخته شده از تعدادی نورون)، یک پارامتر مراقب (vigilance parameter) و یک واحد بازنشانی (Reset Module) ساخته شده است. پارامتر مراقب معمولاً تأثیر قابل توجه‌ای بر روی سیستم دارد: چنانچه مقدار این پارامتر بزرگ در نظر گرفته شود حافظه‌هایی با جزئیات بالا (طبقه‌های ریز اما زیاد) در اختیار قرار می دهد و برعکس، اگر این مقدار کوچک باشد، حافظه‌هایی معمولی (طبقه‌هایی با اندازه معمولی و تعداد کم) بدست می دهد.[نیازمند منبع] فیلد مقایسه ای، یک حامل ورودی (آرایه‌ای یک بعدی از مقادیر) را دریافت کرده و آن را به بهترین همتایش در فیلد تشخیص منتقل می نماید. این بهترین همتا، نورونی تنهاست که مجموعهٔ وزن هایش (Weight Vector)، با حامل ورودی بیشترین تطابق را داشته باشد. هر نورون در فیلد تشخیص یک سیگنال منفی (متناسب با کیفیت تطابق حامل ورودی با نورون دریافت کننده آن) به دیگر نورون های این فیلد ارسال می نماید، در نتیجه از تولید خروجی در آن ها جلوگیری می شود. با این کار، فیلد تشخیص روش منع جانبی را ارائه می کند. به این معنی که نورون‌های داخل آن، به عنوان طبقاتی (categories) عمل می‌کند که حامل‌های ورودی بر اساس آن‌ها دسته بندی می شوند. بعد از اینکه ورودی طبقه بندی شد، واحد بازنشانی قدرت این تطابق و دسته بندی را با مقدار پارامتر مراقب می سنجد. اگر پاسخ این سنجش مثبت بود، فرآیند تعلیم شروع می شود. از طرفی، چنانچه پاسخ مقایسه منفی باشد، نورونی که سیگنال فرستاده است، تا دریافت حامل ورودی جدید غیر فعال می شود؛ فرآیند تعلیم هم تنها پس از تکمیل فرآیند جستجو آغاز می گردد. در فرآیند جستجو، نورون‌های فیلد تشخیص یکی یکی توسط واحد بازنشانی غیر فعال می شوند تا زمانی که بالاخره نتیجه یک سنجش، مثبت شود. اما اگر قدرت هیچ کدام از تطابق‌های صورت گرفته، به آستانه مقدار پارامتر مراقب نرسد (پاسخ سنجش همیشه منفی شود)، یک نورون که تا به حال به کار گرفته نشده، راه اندازی می‌شود و طوری تنظیم می‌شود تا حامل ورودی منطبق شود.[نیازمند منبع]

تعلیم[ویرایش]

دو روش اصلی برای تعلیم شبکه‌های عصبی بر پایه ART وجود دارد:یکی روش آرام و دیگری روش سریع. در روش یادگیری آرام، از معادلات دیفرانسیل برای محاسبه مقادیر پیوسته از درجهٔ وزن‌های نورون تشخیص نسبت به حامل ورودی، استفاده می شود. بنابراین، این محاسبه به مدت زمانی که طی آن حامل ورودی ارائه شده است بستگی دارد. در روش یادگیری سریع، از معادلات جبری برای محاسبه درجه تعدیلات وزنی، استفاده می شود. و مقادیر به صورت binary هستند. اگرچه روش یادگیری سریع، مؤثر و کارآمد است، اما روش یادگیری آرام، از نظر زیستی محتمل تر است و می تواند در شبکه‌هایی با پیوستگی زمانی (continuous-time networks) به کار گرفته شود (به عنوان مثال هنگامی که حامل ورودی مرتباً تغییر می کند).

انواع[ویرایش]

ART ۱[ویرایش]

َART ۱، ساده‌ترین نوع شبکه‌های ART است که تنها مقادیر باینری می پذیرد.

ART ۲[ویرایش]

در این نوع، قابلیت پذیرش مقادیر پیوسته لحاظ شده است.

ART ۲-A[ویرایش]

این نوع، فرمی بهینه شده و کارآمد از نوع ART ۲ است. با وجود تسریع بسیار قابل ملاحظه در زمان اجرا (runtime)، نتایجی بندرت کم کیفیت تر از شبکه‌های نوع ART ۲ دارد.

ART ۳[ویرایش]

بر پایه ART ۲ ساخته شده با این تفاوت که از شبیه سازی ابتدایی قانون انتقال دهنده عصبی (neurotransmitter) در فعالیت سیناپسی استفاده می نماید. این شبیه سازی با بکارگیری شبیه ساز غلظت‌های یونی سدیم (+Na) و پتاسیم(+Ca۲)، در داخل معادلات سیستم حاصل شده است که این به نوبه خود باعث بوجود آمدن ابزاری شبه فیزیولوژیکی، برای از کار انداختن جزئی آن دسته از طبقاتی می‌شود که نا به جا واحد بازنشانی را فعال می نمایند.

Fuzzy ART[ویرایش]

این نوع، منطق فازی را در روند تشخیص الگوی شبکه ART دخیل می سازد که باعث افزایش تعمیم پذیری می گردد. یک ویژگی اختیاری این نوع از ARTها، استفاده از complement coding است، ابزاری که با دخیل کردن فقدان برخی خصیصه‌ها در طبقه بندی الگوها، باعث جلوگیری از ازدیاد بی حاصل و غیر ضروری طبقه‌ها می شود.

ARTMAP[ویرایش]

ARTMAP که با عنوان Predictive ART هم شناخته می شود، دو نوع اندک تغییر یافته از واحدهای ART ۱ یا ART ۲ را با الگوی یادگیری باسرپرست ترکیب می نماید. به این صورت که واحد اول، داده‌های ورودی را دریافت می نماید و واحد دوم نیز، داده‌های صحیح خروجی را دریافت می کند. سپس این سامانه با کمترین تنظیمات در پارامتر مراقب واحد اول، باید به طبقه بندی صحیح دست یابد.

ARTMAP

Fuzzy ARTMAP[ویرایش]

همان ARTMAP است با این تفاوت که از منطق فازی در واحدهای ART استفاده می نماید و باعث سودمندی بیشتر می گردد. للل

منابع[ویرایش]