Azərbaycanca
Беларускі
Dansk
Deutsch
Española
Français
Indonesia
Italiana
日本語
Қазақ
Lietuvos
Nederlands
Português
Русский
සිංහල
แบบไทย
Türkçe
Українська
中國人
United State
Afrikaans
Adaptif rezonans teorisi (ART), Stephen Grossberg ve Gail Carpenter tarafından beynin bilgiyi nasıl işlediğini anlamak üzere geliştirilen bir teoridir. Denetimli ve denetimsiz öğrenme yöntemlerini kullanan ve örüntü tanıma ve tahmin gibi sorunları ele alan bir dizi sinir ağı modelini açıklamaktadır.
ART modelinin arkasındaki birincil sezgi, nesne tanımlama ve tanımanın genellikle "yukarıdan aşağıya" gözlemci beklentilerinin "aşağıdan yukarıya" duyusal bilgilerle etkileşiminin bir sonucu olarak ortaya çıkmasıdır. Model, 'yukarıdan aşağıya' beklentilerin, daha sonra duyular tarafından algılanan bir nesnenin gerçek özellikleri ile karşılaştırılan bir bellek şablonu veya prototipi şeklini aldığını varsayar. Bu karşılaştırma, kategori aidiyetinin bir ölçüsüne yol açar. Duyum ve beklenti arasındaki bu fark, 'uyanıklık parametresi' adı verilen belirli bir eşiği aşmadığı sürece, algılanan nesne beklenen sınıfın bir üyesi olarak kabul edilecektir. Böylece sistem, 'esneklik/kararlılık' sorununa, yani artan öğrenme olarak da adlandırılan mevcut bilgiyi bozmadan yeni bilgi edinme sorununa bir çözüm sunar.
Öğrenme modeli
Temel ART sistemi, denetimsiz bir öğrenme modelidir. Tipik olarak bir karşılaştırma alanı ve nöronlardan oluşan bir tanıma alanı, bir uyanıklık parametresi (tanıma eşiği) ve bir sıfırlama modülünden oluşur.
- Karşılaştırma alanı bir girdi vektörü (tek boyutlu bir değerler dizisi) alır ve onu tanıma alanındaki en iyi eşleşmesine aktarır.
- En iyi eşleşmesi, ağırlıkları (ağırlık vektörü) girdi vektörüyle en yakından eşleşen tek nörondur.
- Her bir tanıma alanı nöronu, diğer tanıma alanı nöronlarının her birine negatif bir sinyal (bu nöronun giriş vektörüne eşleşme kalitesiyle orantılı olarak) verir ve böylece çıkışlarını engeller.
- Bu şekilde tanıma alanı yanal inhibisyon sergiler ve içindeki her nöronun girdi vektörlerinin sınıflandırıldığı bir kategoriyi temsil etmesine izin verir.
- Giriş vektörü sınıflandırıldıktan sonra, sıfırlama modülü, tanıma eşleşmesinin gücünü uyanıklık parametresiyle karşılaştırır.
- Dikkat parametresinin üstesinden gelinirse (yani giriş vektörü önceki giriş vektörlerinde görülen normal aralık içindeyse), eğitim başlar:
- Kazanan tanıma nöronunun ağırlıkları, giriş vektörünün özelliklerine göre ayarlanır.
- Aksi takdirde, eşleşme seviyesi uyanıklık parametresinin altındaysa (yani giriş vektörünün eşleşmesi, o nöron için normal beklenen aralığın dışındaysa), kazanan tanıma nöronu engellenir ve bir arama prosedürü gerçekleştirilir.
- Bu arama prosedüründe, bir tanıma eşleşmesi tarafından uyanıklık parametresinin üstesinden gelinene kadar, tanıma nöronları sıfırlama işlevi tarafından birer birer devre dışı bırakılır.
- Özellikle, arama prosedürünün her döngüsünde en aktif tanıma nöronu seçilir ve aktivasyonu uyanıklık parametresinin altındaysa kapatılır (böylece geri kalan tanıma nöronlarını inhibisyonundan serbest bıraktığına dikkat edin).
- Bu arama prosedüründe, bir tanıma eşleşmesi tarafından uyanıklık parametresinin üstesinden gelinene kadar, tanıma nöronları sıfırlama işlevi tarafından birer birer devre dışı bırakılır.
- Hiçbir taahhütlü tanıma nöronunun eşleşmesi ihtiyat parametresinin üstesinden gelmezse, taahhüt edilmemiş bir nöron taahhüt edilir ve ağırlıkları giriş vektörünü eşleştirmeye göre ayarlanır.
- Dikkat parametresinin üstesinden gelinirse (yani giriş vektörü önceki giriş vektörlerinde görülen normal aralık içindeyse), eğitim başlar:
- Uyanıklık parametresinin sistem üzerinde önemli bir etkisi vardır: daha yüksek teyakkuz oldukça ayrıntılı anılar (birçok, ince taneli kategoriler) üretirken, daha düşük teyakkuz daha genel anılar (daha az, daha genel kategoriler) ile sonuçlanır.
Eğitim
ART tabanlı sinir ağlarını eğitmenin iki temel yöntemi vardır: yavaş ve hızlı. Yavaş öğrenme yönteminde, tanıma nöronunun ağırlıklarının giriş vektörüne yönelik eğitim derecesi, diferansiyel denklemlerle sürekli değerlere hesaplanır ve bu nedenle giriş vektörünün sunulma süresinin uzunluğuna bağlıdır. Hızlı öğrenme ile yapılacak ağırlık ayarlamalarının derecesini hesaplamak için cebirsel denklemler kullanılır ve ikili değerler kullanılır. Hızlı öğrenme çeşitli görevler için etkili ve verimli olsa da, yavaş öğrenme yöntemi biyolojik olarak daha makuldür ve sürekli zamanlı ağlarla kullanılabilir (yani girdi vektörü sürekli olarak değişebilir).
Türler
ART 1, yalnızca ikili girişleri kabul eden ART ağlarının en basit çeşididir. ART 2, sürekli girişleri desteklemek için ağ yeteneklerini genişletir. ART 2-A, büyük ölçüde hızlandırılmış çalışma süresine sahip modern bir ART-2 formudur ve nitel sonuçların tam ART-2 uygulamasından yalnızca nadiren daha düşük olur. ART 3, sistemin denklemlerine simüle edilmiş sodyum ve kalsiyum iyonu konsantrasyonlarını dahil ederek sinaptik aktivitenin ilkel nörotransmitter düzenlemesini simüle ederek ART-2'yi temel alır, bu da uyumsuzluk sıfırlamalarını tetikleyen kategorileri kısmen engellemenin fizyolojik olarak daha gerçekçi bir yolunu sağlar.
Öngörülü ART olarak da bilinen ARTMAP, hafifçe değiştirilmiş iki ART-1 veya ART-2 birimini, birinci birimin giriş verilerini aldığı denetimli bir öğrenme yapısında birleştirir. İkinci ünite, doğru çıktı verilerini alır, ardından doğru sınıflandırmayı yapmak için birinci ünitedeki uyanıklık parametresinin mümkün olan minimum ayarını yapmak için kullanılır.
Bulanık ART, bulanık mantığı ART'nin örüntü tanımasına uygular, böylece genelleştirilebilirliği artırır. Bulanık ART'nin isteğe bağlı (ve çok kullanışlı) bir özelliği, özelliklerin yokluğunu örüntü sınıflandırmalarına dahil etmenin bir yolu olan tamamlayıcı kodlamadır; Bu, verimsiz ve gereksiz kategori çoğalmasını önlemeye yönelik uzun bir yol kat eder. Uygulanan benzerlik ölçüleri L1 normuna dayanmaktadır. Bulanık ART'ın gürültüye karşı çok hassas olduğu bilinmektedir.
Bulanık ARTMAP, yalnızca bulanık ART birimleri kullanan ARTMAP'tir ve bu da etkinlikte karşılık gelen bir artış sağlar.
Basitleştirilmiş Bulanık ARTMAP (SFAM), sınıflandırma görevlerine adanmış bulanık ARTMAP'ın oldukça basitleştirilmiş bir varyantını oluşturur.
Gauss ART ve Gauss ARTMAP,Gauss aktivasyon fonksiyonlarını ve olasılık teorisine dayalı hesaplamaları kullanır. Bu nedenle Gauss karışım modelleriyle bazı benzerlikleri vardır. Bulanık ART ve bulanık ARTMAP ile karşılaştırıldığında, gürültüye karşı daha az duyarlıdırlar. Ancak öğrenilen temsillerin kararlılığı azalır ve bu da açık uçlu öğrenme görevlerinde kategori çoğalmasına yol açabilir.
Fusion ART ve ilgili ağlar ART ve ARTMAP'i birden çok model kanalına genişletir. Birkaç öğrenme paradigmasını desteklerler.
TopoART, bulanık ART'yi büyüyen sinir gazı gibi topoloji öğrenme ağlarıyla birleştirir. Ayrıca, bir gürültü azaltma mekanizması ekler. TopoART'ı daha ileri öğrenme paradigmalarına genişleten birkaç türetilmiş sinir ağı vardır.
Hypersphere ART ve Hypersphere ARTMAP sırasıyla bulanık ART ve bulanık ARTMAP ile yakından ilişkilidir. Ancak farklı türde bir kategori gösterimi (yani hiper küreler) kullandıkları için girdilerinin [0, 1] aralığına normalleştirilmesini gerektirmezler. L2 normuna dayalı benzerlik ölçüleri uygularlar.
LAPART Yanal Olarak Hazırlanmış Uyarlamalı Rezonans Teorisi (LAPART) sinir ağları, öğrenilmiş ilişkilere dayalı tahminler yapmak için bir mekanizma oluşturmak için iki bulanık ART algoritmasını birleştirir. İki bulanık ART'nin birleştirilmesi, sistemin net bir çözüme doğru hızla yakınsamasını sağlayan benzersiz bir kararlılığa sahiptir. Ek olarak, bulanık ARTMAP'e benzer şekilde mantıksal çıkarım ve denetimli öğrenme gerçekleştirebilir.
Eleştiri
Bulanık ART ve ART 1 sonuçlarının (yani öğrenilen kategoriler) kritik olarak eğitim verilerinin işlenme sırasına bağlı olduğu not edilmiştir. Etki, daha yavaş bir öğrenme hızı kullanılarak bir dereceye kadar azaltılabilir, ancak girdi veri setinin boyutundan bağımsız olarak mevcuttur. Dolayısıyla bulanık ART ve ART 1 tahminleri, istatistiksel tutarlılık özelliğine sahip değildir. Bu sorun, her iki ağda da kararlı öğrenmeyi sağlayan ilgili mekanizmaların bir yan etkisi olarak düşünülebilir.
Kategorileri kümelere özetleyen TopoART ve Hypersphere TopoART gibi daha gelişmiş ART ağları, kümelerin şekilleri ilişkili kategorilerin oluşturulma sırasına bağlı olmadığından bu sorunu çözebilir. (bakınız, şekil 3(g, h) ve şekil 4,)
Kaynakça
- ^ (PDF). 19 Mayıs 2006 tarihinde kaynağından (PDF) arşivlendi. Erişim tarihi: 27 Haziran 2021.
- ^ (PDF). 4 Eylül 2006 tarihinde kaynağından (PDF) arşivlendi.
- ^ "Dış bağlantı". 7 Mayıs 2004 tarihinde kaynağından arşivlendi.
- ^ (PDF). 30 Mayıs 2005 tarihinde kaynağından (PDF) arşivlendi.
- ^ (PDF). 30 Mart 2004 tarihinde kaynağından (PDF) arşivlendi.
- ^ (PDF). 30 Mayıs 2005 tarihinde kaynağından (PDF) arşivlendi.
- ^ Mohammad-Taghi Vakil-Baghmisheh and Nikola Pavešić. (2003) A Fast Simplified Fuzzy ARTMAP Network, Neural Processing Letters, 17(3):273–316
- ^ a b "Gaussian ARTMAP: A Neural Network for Fast Incremental Learning of Noisy Multidimensional Maps" (PDF).
- ^ "Fusion ARTMAP: an adaptive fuzzy network for multi-channel classification" (PDF). 28 Ekim 2020 tarihinde kaynağından (PDF). Erişim tarihi: 27 Haziran 2021.
- ^ . 26 Ekim 2016 tarihinde kaynağından arşivlendi.
- ^ (PDF). 1 Ağustos 2010 tarihinde kaynağından (PDF) arşivlendi.
- ^ a b (PDF). In: Poster and Industry Proceedings of the Industrial Conference on Data Mining (ICDM), 22–34. 16 Kasım 2019 tarihinde kaynağından (PDF) arşivlendi.
- ^ . 23 Ekim 2017 tarihinde kaynağından arşivlendi.
- ^ . 25 Ocak 2004 tarihinde kaynağından arşivlendi.
wikipedia, wiki, viki, vikipedia, oku, kitap, kütüphane, kütübhane, ara, ara bul, bul, herşey, ne arasanız burada,hikayeler, makale, kitaplar, öğren, wiki, bilgi, tarih, yukle, izle, telefon için, turk, türk, türkçe, turkce, nasıl yapılır, ne demek, nasıl, yapmak, yapılır, indir, ücretsiz, ücretsiz indir, bedava, bedava indir, mp3, video, mp4, 3gp, jpg, jpeg, gif, png, resim, müzik, şarkı, film, film, oyun, oyunlar, mobil, cep telefonu, telefon, android, ios, apple, samsung, iphone, xiomi, xiaomi, redmi, honor, oppo, nokia, sonya, mi, pc, web, computer, bilgisayar
Adaptif rezonans teorisi ART Stephen Grossberg ve Gail Carpenter tarafindan beynin bilgiyi nasil isledigini anlamak uzere gelistirilen bir teoridir Denetimli ve denetimsiz ogrenme yontemlerini kullanan ve oruntu tanima ve tahmin gibi sorunlari ele alan bir dizi sinir agi modelini aciklamaktadir ART modelinin arkasindaki birincil sezgi nesne tanimlama ve tanimanin genellikle yukaridan asagiya gozlemci beklentilerinin asagidan yukariya duyusal bilgilerle etkilesiminin bir sonucu olarak ortaya cikmasidir Model yukaridan asagiya beklentilerin daha sonra duyular tarafindan algilanan bir nesnenin gercek ozellikleri ile karsilastirilan bir bellek sablonu veya prototipi seklini aldigini varsayar Bu karsilastirma kategori aidiyetinin bir olcusune yol acar Duyum ve beklenti arasindaki bu fark uyaniklik parametresi adi verilen belirli bir esigi asmadigi surece algilanan nesne beklenen sinifin bir uyesi olarak kabul edilecektir Boylece sistem esneklik kararlilik sorununa yani artan ogrenme olarak da adlandirilan mevcut bilgiyi bozmadan yeni bilgi edinme sorununa bir cozum sunar Ogrenme modeliBasit ART iskeleti Temel ART sistemi denetimsiz bir ogrenme modelidir Tipik olarak bir karsilastirma alani ve noronlardan olusan bir tanima alani bir uyaniklik parametresi tanima esigi ve bir sifirlama modulunden olusur Karsilastirma alani bir girdi vektoru tek boyutlu bir degerler dizisi alir ve onu tanima alanindaki en iyi eslesmesine aktarir En iyi eslesmesi agirliklari agirlik vektoru girdi vektoruyle en yakindan eslesen tek norondur Her bir tanima alani noronu diger tanima alani noronlarinin her birine negatif bir sinyal bu noronun giris vektorune eslesme kalitesiyle orantili olarak verir ve boylece cikislarini engeller Bu sekilde tanima alani yanal inhibisyon sergiler ve icindeki her noronun girdi vektorlerinin siniflandirildigi bir kategoriyi temsil etmesine izin verir Giris vektoru siniflandirildiktan sonra sifirlama modulu tanima eslesmesinin gucunu uyaniklik parametresiyle karsilastirir Dikkat parametresinin ustesinden gelinirse yani giris vektoru onceki giris vektorlerinde gorulen normal aralik icindeyse egitim baslar Kazanan tanima noronunun agirliklari giris vektorunun ozelliklerine gore ayarlanir Aksi takdirde eslesme seviyesi uyaniklik parametresinin altindaysa yani giris vektorunun eslesmesi o noron icin normal beklenen araligin disindaysa kazanan tanima noronu engellenir ve bir arama proseduru gerceklestirilir Bu arama prosedurunde bir tanima eslesmesi tarafindan uyaniklik parametresinin ustesinden gelinene kadar tanima noronlari sifirlama islevi tarafindan birer birer devre disi birakilir Ozellikle arama prosedurunun her dongusunde en aktif tanima noronu secilir ve aktivasyonu uyaniklik parametresinin altindaysa kapatilir boylece geri kalan tanima noronlarini inhibisyonundan serbest biraktigina dikkat edin Hicbir taahhutlu tanima noronunun eslesmesi ihtiyat parametresinin ustesinden gelmezse taahhut edilmemis bir noron taahhut edilir ve agirliklari giris vektorunu eslestirmeye gore ayarlanir Uyaniklik parametresinin sistem uzerinde onemli bir etkisi vardir daha yuksek teyakkuz oldukca ayrintili anilar bircok ince taneli kategoriler uretirken daha dusuk teyakkuz daha genel anilar daha az daha genel kategoriler ile sonuclanir EgitimART tabanli sinir aglarini egitmenin iki temel yontemi vardir yavas ve hizli Yavas ogrenme yonteminde tanima noronunun agirliklarinin giris vektorune yonelik egitim derecesi diferansiyel denklemlerle surekli degerlere hesaplanir ve bu nedenle giris vektorunun sunulma suresinin uzunluguna baglidir Hizli ogrenme ile yapilacak agirlik ayarlamalarinin derecesini hesaplamak icin cebirsel denklemler kullanilir ve ikili degerler kullanilir Hizli ogrenme cesitli gorevler icin etkili ve verimli olsa da yavas ogrenme yontemi biyolojik olarak daha makuldur ve surekli zamanli aglarla kullanilabilir yani girdi vektoru surekli olarak degisebilir TurlerARTMAP e genel bakis ART 1 yalnizca ikili girisleri kabul eden ART aglarinin en basit cesididir ART 2 surekli girisleri desteklemek icin ag yeteneklerini genisletir ART 2 A buyuk olcude hizlandirilmis calisma suresine sahip modern bir ART 2 formudur ve nitel sonuclarin tam ART 2 uygulamasindan yalnizca nadiren daha dusuk olur ART 3 sistemin denklemlerine simule edilmis sodyum ve kalsiyum iyonu konsantrasyonlarini dahil ederek sinaptik aktivitenin ilkel norotransmitter duzenlemesini simule ederek ART 2 yi temel alir bu da uyumsuzluk sifirlamalarini tetikleyen kategorileri kismen engellemenin fizyolojik olarak daha gercekci bir yolunu saglar Ongorulu ART olarak da bilinen ARTMAP hafifce degistirilmis iki ART 1 veya ART 2 birimini birinci birimin giris verilerini aldigi denetimli bir ogrenme yapisinda birlestirir Ikinci unite dogru cikti verilerini alir ardindan dogru siniflandirmayi yapmak icin birinci unitedeki uyaniklik parametresinin mumkun olan minimum ayarini yapmak icin kullanilir Bulanik ART bulanik mantigi ART nin oruntu tanimasina uygular boylece genellestirilebilirligi artirir Bulanik ART nin istege bagli ve cok kullanisli bir ozelligi ozelliklerin yoklugunu oruntu siniflandirmalarina dahil etmenin bir yolu olan tamamlayici kodlamadir Bu verimsiz ve gereksiz kategori cogalmasini onlemeye yonelik uzun bir yol kat eder Uygulanan benzerlik olculeri L1 normuna dayanmaktadir Bulanik ART in gurultuye karsi cok hassas oldugu bilinmektedir Bulanik ARTMAP yalnizca bulanik ART birimleri kullanan ARTMAP tir ve bu da etkinlikte karsilik gelen bir artis saglar Basitlestirilmis Bulanik ARTMAP SFAM siniflandirma gorevlerine adanmis bulanik ARTMAP in oldukca basitlestirilmis bir varyantini olusturur Gauss ART ve Gauss ARTMAP Gauss aktivasyon fonksiyonlarini ve olasilik teorisine dayali hesaplamalari kullanir Bu nedenle Gauss karisim modelleriyle bazi benzerlikleri vardir Bulanik ART ve bulanik ARTMAP ile karsilastirildiginda gurultuye karsi daha az duyarlidirlar Ancak ogrenilen temsillerin kararliligi azalir ve bu da acik uclu ogrenme gorevlerinde kategori cogalmasina yol acabilir Fusion ART ve ilgili aglar ART ve ARTMAP i birden cok model kanalina genisletir Birkac ogrenme paradigmasini desteklerler TopoART bulanik ART yi buyuyen sinir gazi gibi topoloji ogrenme aglariyla birlestirir Ayrica bir gurultu azaltma mekanizmasi ekler TopoART i daha ileri ogrenme paradigmalarina genisleten birkac turetilmis sinir agi vardir Hypersphere ART ve Hypersphere ARTMAP sirasiyla bulanik ART ve bulanik ARTMAP ile yakindan iliskilidir Ancak farkli turde bir kategori gosterimi yani hiper kureler kullandiklari icin girdilerinin 0 1 araligina normallestirilmesini gerektirmezler L2 normuna dayali benzerlik olculeri uygularlar LAPART Yanal Olarak Hazirlanmis Uyarlamali Rezonans Teorisi LAPART sinir aglari ogrenilmis iliskilere dayali tahminler yapmak icin bir mekanizma olusturmak icin iki bulanik ART algoritmasini birlestirir Iki bulanik ART nin birlestirilmesi sistemin net bir cozume dogru hizla yakinsamasini saglayan benzersiz bir kararliliga sahiptir Ek olarak bulanik ARTMAP e benzer sekilde mantiksal cikarim ve denetimli ogrenme gerceklestirebilir ElestiriBulanik ART ve ART 1 sonuclarinin yani ogrenilen kategoriler kritik olarak egitim verilerinin islenme sirasina bagli oldugu not edilmistir Etki daha yavas bir ogrenme hizi kullanilarak bir dereceye kadar azaltilabilir ancak girdi veri setinin boyutundan bagimsiz olarak mevcuttur Dolayisiyla bulanik ART ve ART 1 tahminleri istatistiksel tutarlilik ozelligine sahip degildir Bu sorun her iki agda da kararli ogrenmeyi saglayan ilgili mekanizmalarin bir yan etkisi olarak dusunulebilir Kategorileri kumelere ozetleyen TopoART ve Hypersphere TopoART gibi daha gelismis ART aglari kumelerin sekilleri iliskili kategorilerin olusturulma sirasina bagli olmadigindan bu sorunu cozebilir bakiniz sekil 3 g h ve sekil 4 Kaynakca PDF 19 Mayis 2006 tarihinde kaynagindan PDF arsivlendi Erisim tarihi 27 Haziran 2021 PDF 4 Eylul 2006 tarihinde kaynagindan PDF arsivlendi Dis baglanti 7 Mayis 2004 tarihinde kaynagindan arsivlendi PDF 30 Mayis 2005 tarihinde kaynagindan PDF arsivlendi PDF 30 Mart 2004 tarihinde kaynagindan PDF arsivlendi PDF 30 Mayis 2005 tarihinde kaynagindan PDF arsivlendi Mohammad Taghi Vakil Baghmisheh and Nikola Pavesic 2003 A Fast Simplified Fuzzy ARTMAP Network Neural Processing Letters 17 3 273 316 a b Gaussian ARTMAP A Neural Network for Fast Incremental Learning of Noisy Multidimensional Maps PDF Fusion ARTMAP an adaptive fuzzy network for multi channel classification PDF 28 Ekim 2020 tarihinde kaynagindan PDF Erisim tarihi 27 Haziran 2021 26 Ekim 2016 tarihinde kaynagindan arsivlendi PDF 1 Agustos 2010 tarihinde kaynagindan PDF arsivlendi a b PDF In Poster and Industry Proceedings of the Industrial Conference on Data Mining ICDM 22 34 16 Kasim 2019 tarihinde kaynagindan PDF arsivlendi 23 Ekim 2017 tarihinde kaynagindan arsivlendi 25 Ocak 2004 tarihinde kaynagindan arsivlendi