امروز چهارشنبه ، ۱۴۰۱/۰۴/۱۵
بدان
FAENZYXWVUTSRQPONMLKJIHGFEDCBA

تئوری تشدید تطبیقی ​​(ART)

تئوری رزونانس تطبیقی ​​(ART) به چه معناست؟ نظریه رزونانس تطبیقی ​​(ART) یک فلسفه خاص است که مدل‌های شبکه عصبی مصنوعی بدون نظارت را هدایت می‌کند. از یک معماری خاص استفاده می‌کند که اغلب در برخی از انواع شبکه‌های عصبی مفید است، تا در تلاش برای ایجاد ظرفیت برای یادگیری جدید و در عین حال حفظ مدل‌های موجود اساسی باشد.Bedan نظریه رزونانس تطبیقی ​​(ART) را توضیح می دهد بسیاری بسیاری از طراحی شبکه های ART را به استفان گروسبرگ و گیل کارپنتر و کار آنها در دهه 1980 نسبت می دهند. تأثیر دیگر، شبکه‌های خودسازماندهی کوهونن است. کارشناسان نظریه رزونانس تطبیقی ​​را تا حدی تلاشی برای باز ماندن برای یادگیری جدید بدون قربانی کردن دانش الگوهای موجود توصیف می‌کنند - از این رو واژه‌های «انطباق» و «رزونانس» به کار می‌روند. بخش کلیدی شبکه ART طبقه‌بندی‌کننده‌ای است که ورودی‌ها را با الگوهای ذخیره شده مقایسه می‌کند. یکی از راه‌های نگاه کردن به ART این است که سعی می‌کند معضل پایداری – انعطاف‌پذیری یا SPD را حل کند. به طور خلاصه، این معضل مبتنی بر توانایی سیستم برای ثابت ماندن از طریق رویدادهای نامربوط و در عین حال سازگاری با رویدادهای مرتبط و مهم است که نیاز به انعطاف پذیری دارند. درک معضل پایداری- انعطاف پذیری یک راه کلیدی برای حرکت به سمت درک ART و نحوه استفاده از آن در طراحی شبکه های عصبی است. کارشناسان در مورد ارزیابی 'انتظارات' و استفاده از سیستم های تطبیق برداری که شروع به انجام برخی از این شناخت سطح بالا می کنند صحبت می کنند. کار از طریق معماری شبکه عصبی بدون نظارت

Adaptive Resonance Theory (ART)

What Does Adaptive Resonance Theory (ART) Mean? Adaptive resonance theory (ART) is a particular philosophy driving unsupervised artificial neural network models. It uses a specific architecture, often useful in some types of neural networks, to try to build the capacity for new learning while keeping in place fundamental existing models. Techopedia Explains Adaptive Resonance Theory (ART) Many attribute much of the design of ART networks to Stephen Grossberg and Gail Carpenter and their work in the 1980s. Another influence is Kohonen's self-organizing networks.Experts describe adaptive resonance theory as partially an effort to remain open to new learning without sacrificing knowledge of existing patterns – hence the words “adaptation” and “resonance.” A key part of the ART network is a classifier that compares inputs to stored patterns.One way to look at ART is that it tries to solve the stability-plasticity dilemma or SPD. In a nutshell, this dilemma is based on the system's ability to remain static through irrelevant events, while adapting to relevant and significant events that require plasticity. Understanding the stability-plasticity dilemma is a key way to move toward an understanding of ART and how to use it in neural network designs.Experts talk about evaluating “expectations” and utilizing vector matching systems that start to accomplish some of this high-level cognitive work through unsupervised neural network architecture.