摘要：ART2是一种基于自适应谐振理论的无监督神经网络，由于其快速响应、实时学习等特点，被广泛的应用在实时聚类问题中。传统的ART2存在幅值信息丢失、容易产生模式漂移的问题，本文针对此不足提出了一种基于广义相似度和置信度的GSC-ART2网络。它通过引入广义相似度检测和竞争机制，解决了幅值信息丢失的问题。置信度结合广义相似度的权值调整方式抑制了模式漂移并使网络的连接权值更加准确。通过实验表明，GSC-ART2网络在处理幅值相关、样本渐变分类问题上的识别性能均优于传统ART2网络，从而证明了此GSC-ART2网络的有效性，也为解决模式识别中普遍存在的模式漂移问题找到了一种优良的解决方法。 全文查看链接 　　针对以上不足，大量学者对其进行展开了有关研究，并获得了相应的研究成果。对于相同相位不可区分的问题，Xiaodong Qian[10]提出了一种对输入样本幅值进行过滤的方法，如果其值与现存各模式幅值的相似度均没有未超过预定的阈值，则直接开辟创建新类，不再参与后续识别。此方法在一定程度上解决了相位差别很大的样本分到划分至同一类模式的问题，但并没有却未将样本与各模式的幅值相似度信息引入到网络竞争中，从而可能造成分类错误的情况。Chu Na等人[11]提出了一种将输入样本各分量与对应模式信息进行相似度比较的方法，虽然解决了幅值丢失的问题，但需要额外开辟大量的存储空间来存储各模式的分量信息。对于模式漂移问题，Jiaoyan Ai等人[12]提出了一种基于样本均值的权值更新方式，使更新后的权值向量更能代表样本真实的聚类中心，但只是这种方式必须每次记录各类别节点现存样本数，浪费耗费存储空间并而且又增加了运算时间。Zhiling Lin等人[13]提出了一种基于样本累积的权值更新的方法，此方法需要为每个模式开另辟 个存储单元来贮存最新进入此模式的最新样本信息，浪费了大量的存储空间。 全文查看链接 　　为了全面考虑样本与各模式相似度信息，可将竞争准则修正如下： 全文查看链接 　　分类结果 全文查看链接 　　[3]CARPENTER GA，GROSSBERGS.ART-2：self-organization of stable category recognition codes for analog input pattern[J].Applied Optics，1987，26（23）： 4919-4930. 全文查看链接