بهينه سازي شبكه عصبي هاپفيلد برمبناي معيار عدم شباهت
خلاصه مقاله:
هدف از اين مقاله ارائه ساختاري است كه به واسطه آن بهينه سازي آموزش شبكه ي عصبي هاپفيلد، و بهبود فرايند بازيابي الگو حاصل شود. ساختار جديد برحذف اثرات فاصله همينگ استوار است و با توزيع حافظه انجمني در بخشهاي محلي، الگوي اصلي را به صورت جزيره اي در شبكه عصبي ذخيره مي كند. با گرته برداري از ساختار فيزيولوژي و گنجاندن معيار عدم شباهت در ماتريس وزن امكان ذخيره سازي محلي الگو فراهم مي آيد اين امكان از طريق كاهش ابعاد ماتريس وزن و هوشمند كردن نحوه ذخيره الگو در وزنهاي شبكه حاصل مي شود. با روش آموزش جزيره اي دوشاخص حجم پردازش و افزايش ظرفيت الگو پذيري توامان بهبود مي يابد. حال آنكه در شبكه عصبي هاپفيلد استاندارد چنين چيزي امكان پذير نيست. نتايج بررسي نشان مي دهد كه با وجود افزايش تعداد الگوها و نيز كاهش بيش از ا80 درصدي المانهاي ماتريس وزن، باز هم شبكه عصبي پيشنهادي بطور كامل الگوهاي اصلي را بدست مي دهد. براي مقايسه كمي الگوريتم پيشنهادي با هاپفيلد استاندارد علاوه بر معيار سرعت پردازش معياري با عنوان ضريب صحت تعريف شده و نتايج، نشان دهنده ي برتري قابل توجه شبكه ي عصبي جديد است. به طوري كه در شبكه اي با 50 نرون، كاهش 84 درصدي ماتريس وزن، ضريب صحت را كاهش نمي دهد و در عين حال سرعت پردازش بيش از 5 برابر افزايش مي يابد.
كلمات كليدي:
شبكه عصبي هاپفيلد، تابع انرژي، معيار عدم شباهت، آموزش جزيره اي، ضريب صحت.