Teoria de ressonância adaptativa (ART)
A teoria de ressonância adaptativa é um tipo de técnica de rede neural desenvolvida por Stephen Grossberg e Gail Carpenter em 1987. A ART básica usa uma técnica de aprendizagem não supervisionada. O termo "adaptativo" e "ressonância"usado aqui sugere que eles estão abertos a uma nova aprendizagem (ou seja, adaptativa) sem descartar as informações anteriores ou antigas (ou seja, ressonância). As redes ART são conhecidas por resolver o dilema estabilidade-plasticidade, ou seja, estabilidade se refere à sua natureza de memorizar o aprendizado e a plasticidade se refere ao fato de que são flexíveis para obter novas informações. Devido a esta natureza da ART, eles são sempre capazes de aprender novos padrões de entrada sem esquecer o passado. As redes ART implementam um algoritmo de agrupamento. A entrada é apresentada à rede e o algoritmo verifica se ela se encaixa em um dos clusters já armazenados. Se for adequado, a entrada é adicionada ao cluster que corresponde ao máximo, caso contrário, um novo cluster é formado.

Tipos de Teoria de Ressonância Adaptativa (ART)
Carpenter e Grossberg desenvolveram diferentes arquiteturas de ART como resultado de 20 anos de pesquisa. Os ARTs podem ser classificados da seguinte forma:

  • ART1 - É a arquitetura ART mais simples e básica. É capaz de agrupar valores de entrada binários.
  • ART2 - é uma extensão do ART1 capaz de agrupar dados de entrada de valor contínuo.
  • Fuzzy ART - É o aumento da lógica fuzzy e do ART.
  • ARTMAP - É uma forma supervisionada de aprendizagem de ART onde um ART aprende com base no módulo ART anterior. É também conhecido como ART preditiva.
  • FARTMAP - Esta é uma arquitetura ART supervisionada com lógica Fuzzy incluída.

Arquitetura Básica da Teoria da Ressonância Adaptativa (ART)
A teoria da ressonância adaptativa é um tipo de rede neural que é auto-organizada e competitiva. Pode ser de ambos os tipos, os não supervisionados (ART1, ART2, ART3, etc) ou os supervisionados (ARTMAP). Geralmente, os algoritmos supervisionados são nomeados com o sufixo “MAP”.
Mas o modelo básico de ART não é supervisionado por natureza e consiste em:

  • Camada F1 ou o campo de comparação (onde as entradas são processadas)
  • Camada F2 ou o campo de reconhecimento (que consiste nas unidades de agrupamento)
  • O Módulo de Reinicialização (que atua como um mecanismo de controle)

A camada F1 aceita as entradas e executa algum processamento e transfere-o para a camada F2 que melhor corresponde ao fator de classificação.
Existem dois conjuntos de interconexão ponderada para controlar o grau de similaridade entre as unidades na camada F1 e F2.
A camada F2 é uma camada competitiva. A unidade de cluster com a grande entrada líquida torna-se a candidata a aprender o padrão de entrada primeiro e as unidades F2 restantes são ignoradas.
A unidade de redefinição toma a decisão se a unidade de cluster tem permissão ou não para aprender o padrão de entrada, dependendo de quão semelhante seu vetor de peso de cima para baixo é ao vetor de entrada e à decisão. Isso é chamado de teste de vigilância.
Assim, podemos dizer que o parâmetro vigilância ajuda a incorporar novas memórias ou novas informações. A vigilância mais alta produz memórias mais detalhadas, a vigilância mais baixa produz memórias mais gerais.

Geralmente existem dois tipos de aprendizagem , aprendizagem lenta e aprendizagem rápida. Na aprendizagem rápida, a atualização do peso durante a ressonância ocorre rapidamente. É usado no ART1. No aprendizado lento, a mudança de peso ocorre lentamente em relação à duração da tentativa de aprendizado. É usado no ART2.

Vantagem da Teoria da Ressonância Adaptativa (ART)

  • Ele exibe estabilidade e não é perturbado por uma ampla variedade de entradas fornecidas à sua rede.
  • Pode ser integrado e usado com várias outras técnicas para dar mais bons resultados.
  • Ele pode ser usado para vários campos, como controle de robô móvel, reconhecimento de face, classificação de cobertura do solo, reconhecimento de alvo, diagnóstico médico, verificação de assinatura, agrupamento de usuários da web, etc.
  • Ele tem vantagens sobre o aprendizado competitivo (como bpnn etc). O aprendizado competitivo carece da capacidade de adicionar novos clusters quando considerado necessário.
  • Não garante estabilidade na formação de aglomerados.

Limitações da teoria da ressonância adaptativa
Algumas redes ART são inconsistentes (como Fuzzy ART e ART1), pois dependem da ordem em que os dados de treinamento ou da taxa de aprendizagem.