Associate Memory Network
Jaringan saraf jenis ini bekerja atas dasar asosiasi pola, yang berarti mereka dapat menyimpan pola yang berbeda dan pada saat memberikan keluaran, mereka dapat menghasilkan salah satu pola yang disimpan dengan mencocokkannya dengan pola masukan yang diberikan. Jenis ingatan ini juga disebutContent-Addressable Memory(CAM). Memori asosiatif membuat pencarian paralel dengan pola yang disimpan sebagai file data.
Berikut adalah dua jenis ingatan asosiatif yang dapat kita amati -
- Memori Asosiasi Otomatis
- Memori Hetero Associative
Memori Asosiasi Otomatis
Ini adalah jaringan saraf lapisan tunggal di mana vektor pelatihan masukan dan vektor target keluaran adalah sama. Bobot ditentukan sehingga jaringan menyimpan sekumpulan pola.
Arsitektur
Seperti yang ditunjukkan pada gambar berikut, arsitektur jaringan memori Auto Associative memiliki ‘n’ jumlah vektor input pelatihan dan sejenisnya ‘n’ jumlah vektor target keluaran.
Algoritma Pelatihan
Untuk pelatihan, jaringan ini menggunakan aturan pembelajaran Hebb atau Delta.
Step 1 - Inisialisasi semua bobot ke nol sebagai wij = 0 (i = 1 to n, j = 1 to n)
Step 2 - Lakukan langkah 3-4 untuk setiap vektor masukan.
Step 3 - Aktifkan setiap unit input sebagai berikut -
$$ x_ {i} \: = \: s_ {i} \ :( i \: = \: 1 \: hingga \: n) $$
Step 4 - Aktifkan setiap unit keluaran sebagai berikut -
$$ y_ {j} \: = \: s_ {j} \ :( j \: = \: 1 \: hingga \: n) $$
Step 5 - Sesuaikan bobot sebagai berikut -
$$ w_ {ij} (baru) \: = \: w_ {ij} (lama) \: + \: x_ {i} y_ {j} $$
Menguji Algoritma
Step 1 - Atur bobot yang diperoleh selama pelatihan untuk aturan Hebb.
Step 2 - Lakukan langkah 3-5 untuk setiap vektor masukan.
Step 3 - Atur aktivasi unit input sama dengan vektor input.
Step 4 - Hitung input bersih untuk setiap unit output j = 1 to n
$$ y_ {inj} \: = \: \ displaystyle \ sum \ limit_ {i = 1} ^ n x_ {i} w_ {ij} $$
Step 5 - Terapkan fungsi aktivasi berikut untuk menghitung keluaran
$$ y_ {j} \: = \: f (y_ {inj}) \: = \: \ begin {kasus} +1 & jika \: y_ {inj} \:> \: 0 \\ - 1 & if \: y_ {inj} \: \ leqslant \: 0 \ end {kasus} $$
Memori Hetero Associative
Mirip dengan jaringan Auto Associative Memory, ini juga merupakan jaringan saraf lapisan tunggal. Namun, dalam jaringan ini vektor input training dan vektor target output tidak sama. Bobot ditentukan sehingga jaringan menyimpan sekumpulan pola. Jaringan hetero asosiatif bersifat statis, sehingga tidak akan terjadi operasi non linier dan penundaan.
Arsitektur
Seperti yang ditunjukkan pada gambar berikut, arsitektur jaringan Hetero Associative Memory memiliki ‘n’ jumlah vektor input pelatihan dan ‘m’ jumlah vektor target keluaran.
Algoritma Pelatihan
Untuk pelatihan, jaringan ini menggunakan aturan pembelajaran Hebb atau Delta.
Step 1 - Inisialisasi semua bobot ke nol sebagai wij = 0 (i = 1 to n, j = 1 to m)
Step 2 - Lakukan langkah 3-4 untuk setiap vektor masukan.
Step 3 - Aktifkan setiap unit input sebagai berikut -
$$ x_ {i} \: = \: s_ {i} \ :( i \: = \: 1 \: hingga \: n) $$
Step 4 - Aktifkan setiap unit keluaran sebagai berikut -
$$ y_ {j} \: = \: s_ {j} \ :( j \: = \: 1 \: hingga \: m) $$
Step 5 - Sesuaikan bobot sebagai berikut -
$$ w_ {ij} (baru) \: = \: w_ {ij} (lama) \: + \: x_ {i} y_ {j} $$
Menguji Algoritma
Step 1 - Atur bobot yang diperoleh selama pelatihan untuk aturan Hebb.
Step 2 - Lakukan langkah 3-5 untuk setiap vektor masukan.
Step 3 - Atur aktivasi unit input sama dengan vektor input.
Step 4 - Hitung input bersih untuk setiap unit output j = 1 to m;
$$ y_ {inj} \: = \: \ displaystyle \ sum \ limit_ {i = 1} ^ n x_ {i} w_ {ij} $$
Step 5 - Terapkan fungsi aktivasi berikut untuk menghitung keluaran
$$ y_ {j} \: = \: f (y_ {inj}) \: = \: \ begin {kasus} +1 & jika \: y_ {inj} \:> \: 0 \\ 0 & if \ : y_ {inj} \: = \: 0 \\ - 1 & if \: y_ {inj} \: <\: 0 \ end {kasus} $$