论文部分内容阅读
人工神经网络(Artificial Neural Networks,ANN)是一种模仿人脑对信号处理处理过程的人工信号处理系统。其记录和处理信息的能力是通过连接成人工神经网络的神经元之间的权值变化来实现的。人工神经网络是一种高度非线性信号处理系统,具有良好的并行处理能力和抗噪性能。人工神经网络主要应用在学习、分类和预测等领域,并已经开发出适用于各种应用环境的人工神经网络。其中自适应共振理论模型(Adaptive Resonance Theory,ART)因为稳定性-可塑性问题上有良好的表现而得到广大研究者的青睐。自适应共振理论模型2(Adaptive Resonance Theory 2,ART2)是ART网络家族中最具代表性的一个网络,是目前ART网络应用和研究的重点,因此文章在研究ART网络鲁棒性增强时将具体的研究集中在ART2网络上。ART2网络在继承了ART网络的所有优点的同时也存在着输入幅度信息丢失、模式漂移、类别分割、噪声等影响网络鲁棒性的问题。本文主要针对ART网络的鲁棒性增强研究,研究对象是ART网络的模式漂移、类别分割和噪声等三个方面的问题。并提出了延迟修正算法减缓模式漂移现象;引入聚类思想解决类别分割问题;引入艾宾浩斯记忆-遗忘曲线解决噪声问题。本文首先从互联网时代的大数据分析入手,分析了ART网络对大数据分析的重要意义,从而论证的ART网络的具有良好的实际研究意义。然后进一步研究传统ART网络的结构和算法原理,分析其优缺点和该理论目前的研究现状。在此基础上重点研究了模式漂移对网络结果的稳定性影响、输入顺序对网络结果准确性影响和噪声对网络结果的影响三个问题。并提出了“预防为主,治理为辅,防治结合”的改进策略解决ART2网络的模式漂移和输入顺序问题;引入艾宾浩斯记忆-遗忘曲线增强了ART2的抗噪信息的算法改进,通过MATLAB仿真实验对改进结果进行了论证。最后在文章的末尾对本文工作内容和创新做了总结,并指出了后续研究方向。