Rede neural ART euclidiana com treinamento continuado

Resumen

Neste trabalho apresenta-se a rede neural ART Euclidiana com Treinamento Continuado, representada no fluxograma da Figura 1.  A Rede ART Euclidiana  utiliza a distância Euclidiana entre os padrões de entrada e os centros dos clusters para classificar o padrão. E o mecanismo de treinamento continuado incorporado à rede tem o objetivo de tornar o sistema de treinamento e análise mais eficientes, de forma que a extração de conhecimento seja permanente. A primeira alteração em relação à rede neural ART Euclidiana consiste na definição de clusters temporários e clusters definitivos. Desta maneira, clusters que apresentam apenas uma anomalia não são incorporados à rede. Dois novos parâmetros também foram incorporados para se obter o mecanismo de treinamento continuado: NMIN e η. O parâmetro NMIN é responsável por dizer à rede o número de padrões necessários para que um cluster passe de temporário a definitivo. É interessante observar que a ressonância sempre ocorre em um cluster temporário. Entretanto, quando o cluster torna-se definitivo, a ressonância só ocorre se a distância entre a entrada e o centro do cluster for superior ao parâmetro η. Este segundo parâmetro, denominado índice de novidade, garante que não haja o sobre treinamento. A última adaptação é a inclusão de quatro contadores. Dois deles são responsáveis pela contagem de clusters temporários e definitivos. Um terceiro contador controla a inserção de um novo cluster temporário. E o último contador, na forma de um vetor, garante a contagem do número de padrões de entrada cuja representação é dada pelo respectivo cluster temporário. Para validar a rede proposta foram gerados pseudo-aleatoriamente 200 pontos do plano xy com coordenadas (x; y) ϵ [0; 1] X [0; 1]. A Figura 2 apresenta os pontos após o processo de clusterização, onde os círculos representam os pontos que pertencem a clusters definitivos enquanto que os triângulos, clusters temporários. [...]