Es una versión continua del modelo de resonancia adaptativa propuesta por Carpenter y Grossber en 1987. Esta red puede clasificar vectores de entrada reales (o es calas de grises), además de componentes binarios. Esta nueva red tiene la misma arquitectura que la original ART, pero en este caso los pesos de las conexiones feedforward y feedback son iguales (Wji=Vij).también su funcionamiento es diferente en algunos aspectos.

LA RED ART2

Se diferencia de la ART1 en la capacidad para tratar tramas analógicas. El precio de esta capacidad adicional es sobre todo un aumento de complejidad en el nivel de procesamiento de la capa de entrada, es decir que el nivel de la capa de entrada consta ahora de varios subniveles y varios sistemas de control de ganancia.

LA RED ART2

APLICACIONESReconocimiento de imágenesReconocimiento de señales análogasReconocimiento de olores ("nariz electrónica"): Detección sustancias tóxicas, emisiones de fabricas, monitoreo de la calidad del aire, detección de derrames etc. En la medicina se puede emplear en el diagnostico de enfermedades. En la industria alimenticia para la inspección de la calidad de los alimentos según su olor, control de fermentación, etc

•En 1987 Carpenter y Grossberg propusieron un modelo a ART2.

•Trabaja con valores de entrada reales.

•Tiene la misma arquitectura que la original pero Wij=Vij.

•Se utiliza en reconocimientos de Patrones continuos.

1. Se presenta Ek=(e(k)1, … , e(k)

N) a la red.

2. Cada neurona de entrada recibe su valor del vector Ek y lo envia a las neuronas de salida.

3. Cada neurona (nsj) compite con las demas de esta capa, hasta que solo una permanece activa.

4. La neurona vencedora envia su salida a través de las conexiones hacia atrás.

5. Se compara la inf. De entrada Ek con la inf. X=Wj* =Vj* recibida, es decir , con el prototipo de la clase.

6. Se compara la relación de semejanza entre ambaz inf. Con ρ establecido por el usuario.

Si cumple que || Ek - X || < ρ entonces la neurona vencedora no representa la categoria apropiada.

7. Si la semejanza evaluada es igual o mayor que el parametro de vigilancia, entonces la neurona que se a activado representa la categoria mas apropiada para la inf. de entrada, procediendo a ajustar los pesos.

•En 1987 Carpenter y Grossberg propusieron un modelo a ART2.

•Trabaja con valores de entrada reales.

•Tiene la misma arquitectura que la original pero Wij=Vij.

•Se utiliza en reconocimientos de Patrones continuos.

1. Se presenta Ek=(e(k)1, … , e(k)

N) a la red.

2. Cada neurona de entrada recibe su valor del vector Ek y lo envia a las neuronas de salida.

3. Cada neurona (nsj) compite con las demas de esta capa, hasta que solo una permanece activa.

4. La neurona vencedora envia su salida a través de las conexiones hacia atrás.

5. Se compara la inf. De entrada Ek con la inf. X=Wj* =Vj* recibida, es decir , con el prototipo de la clase.

6. Se compara la relación de semejanza entre ambaz inf. Con ρ establecido por el usuario.

Si cumple que || Ek - X || < ρ entonces la neurona vencedora no representa la categoria apropiada.

7. Si la semejanza evaluada es igual o mayor que el parametro de vigilancia, entonces la neurona que se a activado representa la categoria mas apropiada para la inf. de entrada, procediendo a ajustar los pesos.

ARTMAP

• Supervised ART architectures, called ARTMAP systems, feature internal control mechanisms that create stable recognition categories of optimal size by maximizing code compression while minimizing predictive error in an on-line setting. Special-purpose requirements of various application domains have led to a number of ARTMAP variants, including fuzzy ARTMAP, ART-EMAP, Gaussian ARTMAP, and distributed ARTMAP.

• ARTMAP has been used for a variety of applications, including computer-assisted medical diagnosis. Medical databases present many of the challenges found in general information management settings where speed, efficiency, ease of use, and accuracy are at a premium. A direct goal of improved computer-assisted medicine is to help deliver quality emergency care in situations that may be less than ideal. Working with these problems has stimulated a number of ART architecture developments, including ARTMAP-IC [1].

ARTMAP

• Supervised ART architectures, called ARTMAP systems, feature internal control mechanisms that create stable recognition categories of optimal size by maximizing code compression while minimizing predictive error in an on-line setting. Special-purpose requirements of various application domains have led to a number of ARTMAP variants, including fuzzy ARTMAP, ART-EMAP, Gaussian ARTMAP, and distributed ARTMAP.

• ARTMAP has been used for a variety of applications, including computer-assisted medical diagnosis. Medical databases present many of the challenges found in general information management settings where speed, efficiency, ease of use, and accuracy are at a premium. A direct goal of improved computer-assisted medicine is to help deliver quality emergency care in situations that may be less than ideal. Working with these problems has stimulated a number of ART architecture developments, including ARTMAP-IC [1].

Dudas ???

Hasta la próxima !!!