D0I:10.13374/j.issn1001-053x.2000.03.020 第22卷第3期 北京科技大学学报 Vol.22 No.3 2000年6月 Journal of University of Science and Technology Beijing June 2000 一种用于模式分类有监督的 模糊ART神经网络 潘紫微) 徐金梧) 1)华东冶金学院，马鞍山2430022)北京科技大学机械工程学院，北京100083 摘要探讨了一种将有监督学习机制融合到模糊ART网络构成一个有监督的模糊ART神 经网络模型.这种网络能同时处理有监督和无监督学习问题，并具有积累和增加网络学习的能 力.对该网络进行了滚动轴承检测数据模式分类实验，并与BP网络进行了比较性实验.结果表 明：该网络具有良好模式分类能力和较好的可塑性， 关键词神经网络：模糊理论：模式识别 分类号TP206.3:TP133.3 人工神经网络训练策略可分为有监督学习 计输出之间匹配程度的匹配信号.如果理想输 和无监督学习.在有监督学习中，目标输出模式 出与预计输出不同，那么对于输入矢量来说必 与各个训练样本是有密切联系的；而无监督 须选择另一个类别，而匹配控制单元就可实现 学习的神经网络，其信息来源就是输入模式本 这个功能. 身，这2种学习策略具有各自的优点和使用场 理想输出预计输出 合).本文试图探讨一种将这2种学习机制融 合在一起、用于模式分类的有监督的模糊ART F3输出层 神经网络模型， F2类别 重置 表示层} 1有监督模糊ART神经网络构造及 约束非约束 匹配 学习过程 F1输入层 控制 1.1网络构造 输入 有监督模糊ART神经网络结构为3层结 图1监督学习的模糊ART网络结构 构，见图1所示.图中下面2层是基本模糊ART Fig.1 Architecture of supervised fuzzy ART 结构，该结构是一个典型的无监督网络，但它 1.2网络学习过程 在由底向上的连接权重和匹配控制机制上与原 网络学习过程同样分为4个阶段： 模糊ART结构有所不同.在基本模糊ART结构 (1)输入矢量正则化阶段.F1为特征输入 的F2上增加了一层，即F3输出层.在学习过程 层，在特征输入层中采用了兴奋型和抑制型神 中，F2与F3之间的连接权重对F2所选的类别 经元对，对原始输入矢量I取补为，即 进行学习，以获得理想输出.最初，网络对所有 I=(i,,w),I=(i,,), 的类别都没有约束，但一旦一个类别被选中并 诉=1-，1≤isN (1) 满足匹配准则，则它将受到约束，如果某个类别 (2)模式识别阶段.当给F1输入一个输入 受到了约束，F3层将读出与之相应的预计输出. 在学习期间，在F3中将计算反映理想输出和预 矢量后，在2层中各结点不同程度被激活，根 据选择函数选择结点J为候选类别，选择函数 为： 1999-10-19收稿潘紫微男，43岁，副教授，硕士 含dP+-V Σ(i-b) (2)第 卷 第 期 以洲】 年 月 北 京 科 技 大 学 学 报 ’ 】 留 价站 侧阅 一种用于模式分类有监督的 模糊 神经 网络 潘紫微 ” 徐金梧 ， 华东冶金学 院 ， 马鞍山 北京科技大学机械工程学院 ， 北京 摘 要 探讨 了一 种将有 监 督学 习 机制 融合到模糊 网络构成 一个有监 督 的模糊 神 经 网络模型 这种 网络 能 同时处 理有监 督和 无监 督学习 问题 ， 并具有积 累和 增加 网络学习 的能 力 对 该 网络进行 了滚动轴承检测数据模式分类 实验 ， 并与 网络进行 了 比较性实验 结果表 明 该 网络 具 有 良好模式分类能力和 较好 的可 塑性 关键词 神经 网络 模糊 理 论 模式识 别 分类号 仰 仰 人工 神经 网络 训 练策略可分 为有 监 督学 习 和 无监 督学习 在有监 督学 习 中 ， 目标输 出模式 与各 个 训 练样本 是有 密 切 联 系 的 而 无 监 督 学 习 的神经 网络 ， 其信 息 来 源 就 是 输入模式本 身 这 种学 习策略具有各 自的优点和 使用场 合 【， ， ， 本 文试 图探 讨一 种将 这 种 学 习 机制 融 合在一起 、 用 于 模式分类 的有监 督 的模糊 神经 网络模型 计 输 出之 间匹配 程度 的匹 配信 号 如 果 理想 输 出与预计输 出不 同 ， 那 么 对 于 输入矢量 来说必 须选择另一 个类别 ， 而 匹配控制单元就 可 实现 这个 功 能 理想输出 预计输出 输出层 类别 表示层 重置 有监督模糊 神经 网络构造及 学习过程 网络构造 有监 督模糊 ， 神 经 网 络 结 构 为 层 结 构 ， 见 图 所 示 图中下 面 层 是 基本模糊 结构 ， 该结构是 一个典型 的无监督 网络【切 ， 但它 在 由底 向上 的连接权重和 匹配控制机制 上 与原 模糊 结构有所 不 同 在基 本模糊 结 构 的 上 增加 了一 层 ， 即 输 出层 在学 习过程 中 ， 与 之 间 的连接权重 对 所 选 的类别 进 行学 习 ， 以获得理想 输 出 最 初 ， 网络 对所有 的类别 都 没 有 约 束 ， 但一 旦 一 个类别 被 选 中并 满足 匹配准则 ， 则它将 受到约束 如 果某个类别 受到 了约束 ， 层将读出与之相应 的预计输 出 在 学 习 期 间 ， 在 中将计 算反 映理想输 出和 预 约束 非约束 尸 输入层 匹配 控制 输入 图 监督学习的模糊 网络结构 ，月 加刀甲 网络学习过程 网络 学 习过程 同样分为 个阶段 输入 矢量正 则化阶段 为特 征输入 层 ， 在特征输入层 中采 用 了兴 奋型 和 抑 制 型 神 经元对 ， 对原始输入矢量 取补为 ， 即 ， … ， ’ ， 二，踢 ， ， 一 瓦 ， 三 模式识别阶段 当给 输入一 个输入 矢量后 ， 在 层 中各 结点不 同程度被激活 ， 根 据选择 函数选择 结点 为候选类别 ， 选择 函 数 一 为 收稿 潘紫微 男 ， 岁 ， 副 教授 ， 硕 士 一 ， · 薄丽 卜刃 · 洒而 ， DOI ：10．13374／j ．issn1001－053x．2000．03．020