شبکه عصبی ART (انگلیسی : Adaptive Resonance Theory Network)، در ریاضیات (Mathematics)
انواع شبکه های عصبی (Neural Networks) را در آموزش زیر شرح دادیم :
شبکه عصبی ART (انگلیسی : Adaptive Resonance Theory Network) :
نظریه تشدید تطبیقی (ART) توسط گروسبرگ و کارپنتر در دهه ۱۹۸۰ توسعه یافت. ART یک نوع شبکه عصبی بدون ناظر (و گاهی ناظر) است که مشکل ثبات-انعطاف پذیری (stability-plasticity) را حل می کند: یعنی می تواند الگوهای جدید را یاد بگیرد بدون اینکه الگوهای قدیمی را فراموش کند (یادگیری افزایشی). ART بر اساس رقابت بین نورون ها و یک مکانیزم تشدید (resonance) با یک لایه توجه و یک لایه تطبیق کار می کند.
ساختار ART شامل دو لایه اصلی است: لایه مقایسه (comparison field) و لایه تشخیص (recognition field). ورودی به لایه مقایسه داده می شود و الگوی آن با یک نمونه ذخیره شده در لایه تشخیص (که نماینده یک خوشه است) مقایسه می گردد. اگر شباهت از یک آستانه (پارامتر هوشیاری - vigilance) بیشتر باشد، تشدید رخ داده و شبکه به روزرسانی می شود (الگو به خوشه اضافه می شود). در غیر این صورت، یک خوشه جدید ایجاد می شود.
فرمول ها بر اساس معادلات دینامیکی و رقابت هستند. پارامتر هوشیاری (ρ) تعیین کننده درشتی خوشه هاست: ρ بالا باعث خوشه های ریز و ρ پایین باعث خوشه های درشت می شود.
انواع ART: ART1 (برای داده های دودویی)، ART2 (برای داده های آنالوگ)، ART3 (با قابلیت جستجوی سلسله مراتبی)، Fuzzy ART (با منطق فازی). ARTMAP نسخه نظارت شده برای طبقه بندی است. ART در مسائلی که نیاز به یادگیری مداوم دارند (مانند رباتیک، تشخیص ناهنجاری) کاربرد دارد.
