Developing modified algorithms of training for neural network of adaptive resonance theory

Abstract

В данной научно-исследовательской работе рассматривается искусственная нейронная сеть адаптивной резонансной теории, предназначенная для решения задачи распознавания образов. Интерес к этой нейронной сети обусловлен наличием у нее таких преимуществ как адаптивность и решение дилеммы стабильности-пластичности. Исследуется негативный эффект деградации и размножения классов, возникающий при функционировании данной нейросети. Для решения этой проблемы предлагается два модифицированных алгоритма обучения. В работе также описывается сравнительное тестирование классической и модифицированных нейронных сетей на различных выборках изображений, с разными параметрами. Качество нейросетей оценивается по таким критериям как эффективность типа true-positive, скорость распознавания и количество выделенных категорий для хранения образов. Проводится анализ результатов тестирования, на основе него выявляются преимущества и недостатки рассматриваемых моделей, и оценивается качество решения поставленной задачи.

This research paper considers an artificial neural network of the adaptive resonance theory, designed to solve the problem of pattern recognition. This neural network is interesting because of its advantages such as adaptability and decision the stability-plasticity dilemma. We study the negative effects of degradation and duplication of classes occurring during the neural network functioning. To solve this problem, two modified learning algorithms are proposed. The paper also describes comparative testing of the classical and modified neural networks using various sets of input images and different parameters. The quality of neural networks is evaluated on criterias such as the efficiency of the type true-positive, speed of recognition and number of allocated categories for storing images. Test results are analyzed, based on it the advantages and disadvantages of the models are revealed and the quality of solving of assigned task is evaluated.