بهینه سازی شبکه عصبی هاپفیلد برمبنای معیار عدم شباهت

هدف از این مقاله ارائه ساختاری است که به واسطه آن بهینه سازی آموزش شبکه ی عصبی هاپفیلد، و بهبود فرایند بازیابی الگو حاصل شود. ساختار جدید برحذف اثرات فاصله همینگ استوار است و با توزیع حافظه انجمنی در بخشهای محلی، الگوی اصلی را به صورت جزیره ای در شبکه عصبی ذخیره می کند. با گرته برداری از ساختار فیزیولوژی و گنجاندن معیار عدم شباهت در ماتریس وزن امکان ذخیره سازی محلی الگو فراهم می آید این امکان از طریق کاهش ابعاد ماتریس وزن و هوشمند کردن نحوه ذخیره الگو در وزنهای شبکه حاصل می شود. با روش آموزش جزیره ای دوشاخص حجم پردازش و افزایش ظرفیت الگو پذیری توامان بهبود می یابد. حال آنکه در شبکه عصبی هاپفیلد استاندارد چنین چیزی امکان پذیر نیست. نتایج بررسی نشان می دهد که با وجود افزایش تعداد الگوها و نیز کاهش بیش از ا80 درصدی المانهای ماتریس وزن، باز هم شبکه عصبی پیشنهادی بطور کامل الگوهای اصلی را بدست می دهد. برای مقایسه کمی الگوریتم پیشنهادی با هاپفیلد استاندارد علاوه بر معیار سرعت پردازش معیاری با عنوان ضریب صحت تعریف شده و نتایج، نشان دهنده ی برتری قابل توجه شبکه ی عصبی جدید است. به طوری که در شبکه ای با 50 نرون، کاهش 84 درصدی ماتریس وزن، ضریب صحت را کاهش نمی دهد و در عین حال سرعت پردازش بیش از 5 برابر افزایش می یابد.

Keywords:

شبکه عصبی هاپفیلد , تابع انرژی , معیار عدم شباهت , آموزش جزیره ای , ضریب صحت