إستراتيجية جديدة لتعديل شبكة الهوبفيلد باستخدام عملية XOR
DOI:
https://doi.org/10.21123/bsj.2024.9238الكلمات المفتاحية:
الذاكرة الترابطية التلقائية, شبكة الهوبفيلد, الشبكة العصبية, تمييز الانماط وعملية XORالملخص
تعد شبكة هوبفيلد واحدة من أسهل الأنواع الشبكات العصبية، تركيب الشبكة يكون كل خلية عصبية في الشبكة تتصل بالخلية الأخرى، وبالتالي تسمى الشبكة العصبية المتصلة بالكامل. بالإضافة إلى ذلك، يعتبر هذا النوع ذاكرة ارتباطية تلقائية، نظرًا لأن الشبكة تقوم بإرجاع النمط فور التعرف عليه، فإن هذه الشبكة بها العديد من القيود، بما في ذلك سعة الذاكرة، والتباين، والمتعامد بين الأنماط، والاوزان المتماثلة، والحد الأدنى. هذا البحث يقترح استراتيجية جديدة لتصميم شبكة الهوبفيلد باستخدام عملية XOR ؛ حيث تم اقتراح إستراتيجية جديدة لحل هذه القيود من خلال اقتراح خوارزمية جديدة، باستخدام هذه الاستراتيجية سيزيد من تحسين أداء شبكة الهوبفيلد من خلال تعديل بنية الشبكة، ومراحل التدريب والتقارب ، وان الاستراتيجية المقترحة تعتمد على حجم النمط. و تتجنب تعلم نمط مشابه عدة مرات، و تظهر قابليتها في التعرف على أنماط مشوهة بالضوضاء، وسعة تخزينها غير محدودة وحل مشكلة النمط المعكوس. أظهرت التجارب أن الطريقة المقترحة لها نتائج جيدة من خلال تجنب غالبية قيود شبكة هوبفيلد. بالإضافة إلى ذلك ، يتعلم التعرف على عدد لا حصر له من الأنماط بأحجام مختلفة مع الحفاظ على نسبة ضوضاء مناسبة.
Received 12/06/2023
Revised 27/08/2023
Accepted 29/08/2023
Published Online First 20/02/2024
المراجع
Rettig O, Müller S, Strand M, Katic D. Which deep artificial neural network architecture to use for anomaly detection in Mobile Robots kinematic data? Machine Learning for Cyber Physical Systems. Berlin, Heidelberg: Springer Berlin Heidelberg; 2019. p. 58–65. https://doi.org/10.1007/978-3-662-58485-97
Zeigler-Hill V, Shackelford T .K, Artificial Neural Networks, Encyclopedia of Personality and Individual Differences. Springer. Cham. 2020. https://doi.org/10.1007/978-3-319-24612-3_300173
Ramamurthy G, Swamy TJ. Novel associative memories based on spherical separability. Advances in Intelligent Systems and Computing. Singapore: Springer Nature Singapore; 2022. p. 351–8, https://doi.org/10.1007/978-981-16-7088-6_32
Virvou M, Tsihrintzis GA, Jain LC. Introduction to advances in selected artificial intelligence areas. In: Learning and Analytics in Intelligent Systems. Cham: Springer International Publishing; 2022. p. 1–7. https://doi.org/10.1007/978-3-030-93052-3_1
Wan G, Wang L, Zou H, Jiang S. A new model of associative memory neural network based on an improved memristor. 39th Chinese Control Conference (CCC). IEEE; 2020, https://doi.org/10.23919/CCC50068.2020.9188654
Miikkulainen, R, Hopfield Network. Phung D., Webb, G.I., Sammut, C. (eds) Encyclopedia of Machine Learning and Data Science. Springer, New York, NY, 2023. https://doi.org/10.1007/978-1-4899-7502-7_127-2
Sharma N, Kalra K, Sarangi PK, Rani L, Saxena M, Kumar S. Pattern storage & recalling using Hopfield neural network and HOG feature based SVM classifier: An experiment with handwritten Odia numerals. International Conference on Emerging Smart Computing and Informatics (ESCI). IEEE; 2023., https://doi.org/10.1109/ESCI56872.2023.10099928
Razzaq AN, Ghazali R, El Abbadi NK, Al Naffakh HAH. Human Face Recognition Based on Local Ternary Pattern and Singular Value Decomposition. Baghdad Sci J. 2022 Oct. 1 [cited 2023 Aug. 19]; 19(5): 1090. https://doi.org/10.21123/bsj.2022.6145
Hopfield JJ. Neural networks and physical systems with emergent collective computational abilities. Proc Natl Acad Sci. 1982; 79(8): 2554–8. https://doi.org/10.1073/pnas.79.8.2554
Al-Husban A, Karoun RC, Heilat AS, Horani MA, Khennaoui AA, Grassi G, et al. Chaos in a two dimensional fractional discrete Hopfield neural network and its control. Alex Eng J. 2023; 75: 627–38. http://dx.doi.org/10.1016/j.aej.2023.05.078
Ashour MAH. Optimized Artificial Neural network models to time series. Baghdad Sci. J. 2022 Aug. 1; 19(4): 0899. https://doi.org/10.21123/bsj.2022.19.4.0899
Rusdi N ’afifah, Kasihmuddin MSM, Romli NA, Manoharam G, Mansor MA. Multi-unit Discrete Hopfield Neural Network for higher order supervised learning through logic mining: Optimal performance design and attribute selection. J King Saud Univ - Comput Inf Sci. 2023; 35(5): 101554. http://dx.doi.org/10.1016/j.jksuci.2023.101554
Kelleher JD. Deep Learning. The MIT Press; 2019, https://doi.org/10.7551/mitpress/11171.001.0001
Díaz de León JL, Gamino Carranza A. New binary associative memory model based on the XOR operation. Appl Algebra Engrg Comm Comput. 2022; 33(3): 283–320. http://dx.doi.org/10.1007/s00200-020-00446-8
Folli V, Leonetti M, Ruocco G. On the maximum storage capacity of the Hopfield model. Front Comput Neurosci. 2017; 10. http://dx.doi.org/10.3389/fncom.2016.00144
Kasihmuddin MSM, Mansor MA, Sathasivam S. Bezier Curves Satisfiability Model in Enhanced Hopfield Network. International Journal of Intelligent Systems and Applications. 2016 Dec 8;8(12):9–17. http://dx.doi.org/10.5815/ijisa.2016.12.02
Mohd Asyraf Mansor, Mohd Shareduwan M. Kasihmuddin, Saratha Sathasivam. Enhanced Hopfield Network for Pattern Satisfiability Optimization. International journal of intelligent systems and applications. 2016 Nov 8;8(11):27–33. http://dx.doi.org/10.5815/ijisa.2016.11.04
Kareem EIA, Alsalihy WAHA, Jantan A. Multi-connect architecture (MCA) associative memory: A modified Hopfield neural network. Intell Autom Soft Comput. 2012; 18(3): 279–96. http://dx.doi.org/10.1080/10798587.2008.10643243
التنزيلات
إصدار
القسم
الرخصة
الحقوق الفكرية (c) 2024 مجلة بغداد للعلوم
هذا العمل مرخص بموجب Creative Commons Attribution 4.0 International License.
كيفية الاقتباس
