COM NETWORKS KUNST KATEGORIEN INTERNEN UNREGELMÄßIGEN GEOMETRIEInhaltsangabe: Diese Arbeit schlägt vor, mehrere Modelle von neuronalen Netzen ART (Adaptive Resonance Theory), das die Möglichkeit der Verwendung von Kategorien unregelmäßige Geometrien mit internen Problemen überwachten Klassifizierung von Mustern. Die Netze ART traditionellen Kategorien verwendet internen Geometrien vor-definierten (hiper-rectángulos oder hiperelipsoides Grunde), die nur eine begrenzte Kapazität zur Angleichung der Grenzen zwischen den Klassen in der Klassifikation Probleme. Das Ziel dieser Arbeit ist es, diese Netzwerke internen Geometrien Kategorien Generika, so dass die geometrische Form der Klasse lernen während der entrenamento überwacht, die an die geometrischen Merkmale der gemeinsamen Ausbildung. Das erste Modell wurde vorgeschlagen ARTMAP simplex, welche Kategorien von símplexes interne Geometrie und Funktionen, basierend auf der Aktivierung gaussianas Funktionen, die nur Nicht-Null-Werte in den Innenraum Volumen von símplex. Der zweite Ansatz vorgeschlagen PolyTope ARTMAP (PTAM), basiert auf Kategorien Polytop - Polygon n-dimensionalen - mit Aktivierung basiert hiperplanos Abgrenzung der Grenzen von Polytop. In diesem Modell, das Lernen erfolgt durch interne Expansion der Kategorien nur in der Richtung des Musters für die Einreise, ohne Überschneidungen zwischen ihnen. So, die Begrenzung ihrer eigenen Kategorien einschließlich Expansion, ohne die maximale Größe oder Parameter-Monitoring. Dies ermöglicht PTAM arbeiten vollautomatisch, ohne irgendwelche Parameter optimizable. PTAM validiert wurde auf mehreren Standard-Probleme der Klassifikation, zeigen eine größere Kapazität zu lernen und sich an unterschiedliche Geometrien, dass die Netze ART klassische Melodie ohne Aufsicht. Er experimentierte auch mit der internen Verwendung von Kategorien Polytop Geometrie ermöglicht Überschneidungen zwischen ihnen und dem Modell Overlapping PTAM. Aber das Verhalten dieses Modells ist flüchtig und die Ergebnisse sind, wurden im Allgemeinen schlechter, zusätzlich zur Optimierung der Überwachung erfordern. Künftige Forschung wird sich auf die Verringerung der Komplexität der PTAM, die Erhöhung ihrer Leistungsfähigkeit und Robustheit in der Gegenwart von Rauschen.
