El aprendizaje en el modelo ART es de tipo ON LINE, por lo que no se distingue entre etapa de entrenamiento y de funcionamiento. La red ART utiliza un aprendizaje no supervisado de tipo competitivo.

Funcionamiento

1.       Se presenta un vector de entrada.

2.       Cada neurona de la capa de entrada recibe el valor del componente del vector de entrada y lo envía a todas las neuronas de la capa de salida.

3.      Cada neurona de la capa de salida compite con las demás de esta capa hasta que sólo una permanece activa. Las conexiones laterales son las que permiten realizar esta competición, y tienen un peso con un valor fijo que debe ser menor que 1/M, donde M es el número de neuronas de la capa de salida, para que la competición funcione correctamente:

Siendo f la función de transferencia de tipo escalón de las neuronas de salida.

Después de cierto número de iteraciones, se llega a un punto de estabilidad en la que una neurona resulta vencedora, generando una salida de valor 1, mientras que en las demás neuronas la salida es 0.

El valor de salida al final de la competición se puede obtener más fácilmente mediante la siguiente expresión:

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

Cada neurona i-ésima de la capa de entrada recibe el valor:

Porque:

	(4.31)

Por tanto, al no influir el resto de las neuronas de salida por estar inactivas (0), en la capa de entrada se reciben los valores de los pesos de las conexiones correspondientes.

Se compara la información de entrada con la categoría. Si la neurona de salida se ha activado. Esta comparación se hace valorando la siguiente relación de semejanza:

Al trabajar con valores binarios, el producto aritmético equivale a la operación AND.

Se compara la relación de semejanza entre ambas informaciones con un parámetro de vigilancia (), el cual influirá en el número de clases que establecerá la red. Si no se cumple dicho parámetro entonces la neurona vencedora se resetea, y se repite desde el paso número 2.

Si la semejanza es igual o mayor que el parámetro de vigilancia, entonces se asume que la neurona que se ha activado a la salida es la que representa al vector de entrada, para después proceder a ajustar los pesos de la red.

Aprendizaje

Dentro del algoritmo de la red neuronal ART1, existen dos tipos de aprendizaje que en el siguiente diagrama se muestran:

Figura 4.25: Diagrama Tipos de Aprendizaje ART 1

A continuación se explica en qué consiste el algoritmo de aprendizaje rápido:

Inicialización

Se inicializa la matriz ajustando todos a 1.

Cada elemento inicial de la matriz  se ajusta con:

§  Presentamos un patrón de entrada a la red. Puesto que la capa 2 no está activa al inicio. La capa de salida 1 es:

	(4.36)

§  Calculamos la entrada a la capa 2.

	(4.37)

Y se activa la neurona en la capa 2 con la entrada más grande:

§  Calculamos el valor esperado de la capa 2 a la capa 1 (Se Asume que la Neurona j de la Capa 2 esta Activada).

	(4.39)

§  Ahora que la capa 2 es activa, ajustamos la salida de la capa 1 para incluir el valor esperado de la capa 2 a la 1:

	(4.40)

El subsistema de orientación determina el grado de comparación entre el valor esperado y el patrón de entrada.

	(4.41)

Si entonces ajustamos  inhibiendo ésta, hasta que ocurra una adecuada comparación (Resonancia), y regresar al paso 1.

Si , continuamos con el paso siguiente.

§  La resonancia ha ocurrido, por lo tanto actualizamos la fila i de  es:

Ahora se actualiza la columna j de .

	(4.43)

§  Removemos el patrón de entrada actual, restablecemos todas las neuronas inhibidas en la capa 2, regresamos al paso 1 con un nuevo patrón de entrada.