55、反馈模型与相关神经网络架构解析

反馈模型与相关神经网络架构解析

1. 反馈模型基础特性

反馈模型能防止类别过度增殖。在快速学习、持续警觉且输入集规模和构成有限的情况下，每个输入模式仅展示一次后，学习就能趋于稳定。快速承诺 - 缓慢重编码选项将快速学习与遗忘规则相结合，可缓冲系统内存免受噪声干扰。利用这一选项，既能快速学习罕见事件，又不会因统计上不可靠的输入波动而迅速抹去先前学习的记忆。

模糊与（Fuzzy AND）和模糊或（Fuzzy OR）操作可生成类别超矩形。模糊ARTMAP的匹配跟踪机制允许警觉参数 $p_a$ 变化，这使得预测误差能创建在警觉性固定时无法学习的新类别。有监督学习能在不损失稳定性的前提下创建复杂的类别结构。

2. 模糊ARTMAP系统

2.1 系统架构

每个模糊ARTMAP系统包含一对模糊ART模块 $ART_a$ 和 $ART_b$。在有监督学习期间，$ART_a$ 接收输入模式流 $[a(P)]$，$ART_b$ 接收输入模式流 ${b(P)}$，其中 $b(p)$ 是给定 $a(p)$ 时的正确预测。这两个模块通过联想学习网络和内部控制器相连，以确保系统实时自主运行。

控制器旨在创建满足准确性标准所需的最少 $ART_a$ 识别类别（即“隐藏单元”）。这通过实现极小极大学习规则来完成，该规则能同时最小化预测误差并最大化类别泛化能力。此方案通过局部操作自动将预测成功与类别大小逐次关联起来。

2.2 匹配跟踪与假设检验

参数 $p_a$ 校准了 $ART_a$ 对由输入 $a(p)$ 激活的识别类别（或假设）必须具备的最小置信度，以便 $ART_a$ 接受该类别，而非通过自动控