人工神经网络入门：ART模型解析

"这篇资料是清华大学的一个人工神经网络电子讲稿，主要涵盖了ART神经网络的总体结构，并提及了相关的教学资源和课程目标。讲稿由蒋宗礼教授编写，包含了一些主要的神经网络参考书籍，并详细列出了课程的主要内容，包括人工神经网络的基础、感知器、反向传播算法、竞争性神经网络、统计方法、Hopfield网络、双向联想记忆以及自适应 resonance theory (ART) 网络等。" 在神经网络领域，ART模型是一种自适应共振理论网络，由Carpenter和Grossberg于1987年提出，主要用于模式分类和自适应特征选择。ART网络的总体结构包括了两个主要部分：识别层和比较层。识别层负责接收输入信号并尝试与已存储的类别模板匹配，而比较层则执行匹配过程的控制。在ART网络中，有复位控制、比较控制和精度控制参数ρ等关键机制。 复位控制决定了当输入模式与现有模板不匹配时网络如何行为。如果输入不能与任何现有模板匹配，网络会创建新的模板来适应这个新输入，这就是所谓的“复位”过程。 比较控制负责监督匹配过程，确保输入模式与模板之间的相似度超过了预设的阈值ρ。ρ是一个关键参数，它决定了网络的分类精度和稳定性。当输入与模板的相似度低于ρ时，网络会拒绝接受该输入，防止类别泛化过度。 识别控制涉及到识别层的活动，通过调整权重来使输入模式与现有模板接近。在ART网络中，学习是通过自组织过程完成的，无需反向传播误差信号，这使得ART网络在处理非稳定数据流时具有良好的鲁棒性。 课程目标旨在让学生理解智能系统的基本模型，掌握人工神经网络的基本概念和各种网络模型，如单层、多层和循环网络的结构、训练算法、工作原理，以及软件实现方法。此外，课程还鼓励学生通过实验深化理解，通过查阅文献将所学知识应用于实际研究中，提升研究和应用能力。 主要内容包括对智能系统的探讨、人工神经网络基础理论，以及多种神经网络模型的深入讲解，例如感知器网络（Perceptron）、反向传播网络（BP）、竞争性神经网络（CPN）、Hopfield网络和双向联想记忆（BAM），还有本文重点讨论的ART网络。这些内容构成了一个全面的人工神经网络入门教程，帮助初学者建立扎实的理论基础并培养实际应用技能。