自适应共振网络（ART）应用研究

       人类智能的特性之一是能在不忘记以前学习过的事物的基础上继续学习新事物。这项特性是目前多数类神经网络模型所欠缺的，这些类神经网络模型(例如反向传播类神经网络)一般都需要事先准备好的训练模式集进行训练。当训练完毕之后，神经元之间的连接强度就确定了，除非再有新的训练动作发生，否则这些连接强度不会再有任何改变。当有新模式出现时，这些类神经网络模型只能由用户将新模式加到训练模式中，形成新的训练模式集，然后重新训练所有神经元间的连接强度，也就是旧有的知识必须重新训练一遍。这些类神经网络模型，只有记忆而没有智能，没有辨识新事件出现的能力，也没有自我学习扩充记忆的能力。

        为了试图解决这些问题，Grossberg等人模仿人的视觉与记忆的交互运作，提出所谓自适应共振理论(Adaptive Resonance Theory,ART)。他多年来一直试图为人类的心理和认知活动建立统一的数学理论，ART就是这一理论的核心部分。随后G.A.Carpenter又与S.Grossberg提出了ART网络。

       ART是一种自组织神经网络结构，是无教师的学习网络。当在神经网络和环境有交互作用时， 对环境信息的编码会自发地在神经网中产生， 则认为神经网络在进行自组织活动。ART不像其它类神经网络模型，分为训练阶段及测试阶段，需事先准备好训练模式集及测试模式集。ART时时处在训练状态及测试状态。当它开始工作的时候可以不用确定到底需要多少个神经元，先给几个就行，或者根本不用给它。ART的学习就像小孩成长一样，头脑也会同步长大。当 ART发现记忆的神经元不够用时，会动态长出新的神经元去记忆新模式，形成新聚类，而不会影响到己经存在的神经元间的连接，因此 ART 可以在不忘掉先前学习过的事物的情况下，继续学习新事物。

      目前，ART 有很多版本：ART1是最早的版本，由 Carpenter 和 Grossberg 于1987 年提出，ART1 含有并行架构的主-从式算法（leader-followeralgorithm），在算法的激活及匹配函数中运用了集合运算，主要处理只含 0 与 1 的影像（即黑白）识别问题。ART2可以处理灰度（即模拟值）输入ART3具有多级搜索架构，它融合了前两种结构的功能并将两层神经网络扩展为任意多层的神经元网络。由于ART3 在神经元的运行模型中纳入了神经元的生物电化学反应机制，因而其功能和能力得到了进一步扩展。

      在此我将结合实验和大家分享学习ART1模型的基本原理和学习算法。为了进一步了解ART1网络，于是设计一组实验，按照M=4，N=25设计网络，如下图A、B、C、D所示。按照顺序输入A、B、C、D后，得出如图所示的四幅黑白点阵图，通过改变不同的警戒阈值ρ，我们会得出怎样的分类呢？

一、问题分析

       为了对四幅黑白点阵图的进行模式识别，本实验在运用ART1模型理论的基础上，将警戒阈值ρ设置为0.7