art2模型 matlab,传统神经网络算法ART2

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，可能会严重破坏已有的联接强度，即已存储的模式，导致不得不重新训练网络的全部联接矩阵。这和人脑的记忆方式完全不同。人脑在存入新的记忆时，并不丢失也不会改变原有的记忆。

ART2网络具有以下特点:

①.在学习新的模式时不