神经网络之自适应谐振理论ART与MATLAB实现

       看网上关于ART的文章不多，基本没有matlab代码参考，特意码了一个小程序，与君共勉。声明：文中关于ART1的网络结构、算法步骤文字说明，我看lg1259156776的文章，写的很好，本人才疏学浅，所以参考引用了其中的内容。原文参考http://blog.csdn.net/lg1259156776/article/details/47780695?ticket=ST-86810-0pIYIAWVt6D75CfTmo6O-passport.csdn.net 。在此对原作者 表示感谢！！

       ART(Adaptive Resonance Theory，自适应谐振理论)网络是竞争性学习的重要代表。网络由比较层、识别层、控制模块几大部分构成。

       ART网络又主要分为ART1、ART2、ART3。它们分别用来处理二进制信号、连续模拟信号、分级搜索模型并兼容前两种。

1.ART网络处理流程

ART I网络结构由两层神经元构成两个子系统，分别为比较层C和识别层R，包含3种控制信号：复位信号R、逻辑控制信号G1和G2。 
2. C层结构 
如下图所示： 
 
该层有n个神经元，每个接收来自3个方面的信号：外界输入信号，R层获胜神经元的外星权向量的返回信号和控制信号G1。C层神经元的输出是根据2/3的多数表决原则产生，输出值与三个信号中的多数信号值相同。 
网络开始运行时，G1 = 1，识别层尚未产生竞争获胜神经元，因此反馈信号为0。由2/3规则，C层输出应取决于输入信号，有C=X。当网络识别层出现反馈回送信号时，G1=0，由2/3规则，C层输出取决于输入信号与反馈信号的比较结果，如果xi = tij，则，ci = xi，否则ci=0。可以看出控制信号G1的作用是使得比较层能够区分网络运行的不同阶段，网络开始运行阶段G1的作用是使得C层对输入信号直接输出，之后G1的作用是使C层行使比较功能，此时ci为xi和tij的比较信号，两者同时为1，则ci为1，否则为0。可以看出R层反馈信号对C层输出有调节作用。 
3. R层结构 
如下图所示： 
 
功能相当于前馈竞争网，R层有m个神经元，代表m个输入模式类，m可以动态增长，以设立新的模式类。C层的输出向量C沿着R层神经元的内星权向量到达R层神经元，经过竞争在产生获胜神经元处指示本次输入模式的所属类别。获胜神经元输出为1，其余为0。R层每个神经元都对应着两个权向量，一个是将C层前馈信号汇聚到R层的内星权向量，另一个是将R层反馈信号散发到C层的外星权向量。 
4. 控制信号 
信号G2检测输入模式X是否为0，它等于X各分量的逻辑或，如果xi全为0，则G2=0，否则G2=1。R层输出向量各分量的逻辑或为R0，则信号G1=G2与（R0的非）。当R层输出向量的各分量全为0而输入向量X不是0向量时，G1为1，否则G1为0。G1的作用就是使得比较层能够区分网络运行的不同阶段，网络开始运行阶段G1的作用是使得C层对输入信号直接输出，之后G1的作用是使C层行使比较功能，此时ci为xi和tij的比较信号，两者同时为1，则ci为1，否则为0。Reset信号的作用是使得R层竞争获胜神经元无效，如果根据某种事先设定的测量标准，Tj与X未达到设定的相似度，表明两者未充分接近，于是系统发出Reset信号，使得竞争获胜神经元无效。 

5. 网络学习算法 
ART I网络可以用学习算法实现，也可以使用硬件实现。训练可以按照以下步骤进行： 
（1） 网络初始化 
从C层上行到R层，内星权向量 Bj  赋予相同的较小数值，如 

bij(0)=11+n

从R层到C层的外星权向量 Tj  各分量均赋值为1 
初始权值对整个算法影响重大，内星权向量按照上式进行设置，可保证输入向量能够收敛到其应属类别而不会轻易动用未使用的神经元。外星权向量各分量设置为1可保证对模式进行相似性测量时能正确计算其相似性。 
相似性测量的警戒门限 ρ  设置为0~1之间的数，表示两个模式相近多少才被认为是相似的，因此其大小直接影响分类精度。 
（2） 网络接受输入 
给定一个输入模式， X=(x1,x2,...,xn),