分析的方法主要有两种—统计聚类法和神经网络法。统计聚类法包括系统聚类法、动态聚类法、模糊聚类法、最优分割法等等。
可以用于聚类分析的神经网络包括BP网络、模糊神经网络、自组织映射网络SOM、自适应共振网络ART2等。
自适应共振网络ART2:该网络具有在学习新的模式时不破坏已存储的模式的优点,可以快速的识别已存储的模式,实现快速聚类。同时它还可以通过调整警戒参数协调网络的稳定性和可塑性。
自适应共振理论(ART)
在无监督方式下学习的自适应共振理论
ART-II是用于模拟输入模式的聚类
自适应共振理论结构,是一种在无监督学习领域用于聚类的一种神经网络方法
聚类中心的动态分配问题
自适应共振理论网络是一种无监督的矢量分类器,能按照已存储的最相似的模式对接收输入矢量进行分类
如果已确定一个输入模式明显地不同于已存在的类,则ART网络能创建一个新的相应于这个输入模式的神经元。
稳定性&可塑性
网络的自适应以及在运行的任何阶段能够很好地学习新模式的能力,称为可塑性。
ART提供了一种网络能在不忘记旧知识的情况下学习新模式的机制。
在自适应共振理论中的学习(即修改权值)只有在共振期间才能发生。
传统的ART2网络由于只把类模板作为聚类时检验相似度的标准,对输入模式的渐变不甚敏感,因而聚类性能不太
理想。有鉴于此,本文提出了一种具有双向检测机制的ARTZ网络,该网络通过设置门限作为相似度检验标准,使聚类更加严格,提高了网络对渐变模式的敏感性。试验证明BM一ARTZ网络的聚类性能优于以往的ART2网络。
很多人工神经网络在学习新的模式时,都会改变己经训练好的权值。因此,一个完全训练好的网络在学习一个新的模式时&#x