Liên kết mạng bộ nhớ
Các loại mạng nơ-ron này hoạt động trên cơ sở liên kết mẫu, có nghĩa là chúng có thể lưu trữ các mẫu khác nhau và tại thời điểm đưa ra đầu ra, chúng có thể tạo ra một trong các mẫu được lưu trữ bằng cách khớp chúng với mẫu đầu vào đã cho. Những loại ký ức này còn được gọi làContent-Addressable Memory(CAM). Bộ nhớ liên kết thực hiện tìm kiếm song song với các mẫu được lưu trữ dưới dạng tệp dữ liệu.
Sau đây là hai loại ký ức liên kết mà chúng ta có thể quan sát:
- Bộ nhớ liên kết tự động
- Hetero Associative memory
Bộ nhớ liên kết tự động
Đây là mạng nơ-ron một lớp trong đó vectơ huấn luyện đầu vào và vectơ đích đầu ra giống nhau. Các trọng số được xác định để mạng lưu trữ một tập hợp các mẫu.
Ngành kiến trúc
Như thể hiện trong hình sau, kiến trúc của mạng bộ nhớ Auto Associative có ‘n’ số vectơ đào tạo đầu vào và tương tự ‘n’ số vectơ mục tiêu đầu ra.
Thuật toán đào tạo
Để đào tạo, mạng này đang sử dụng quy tắc học tập Hebb hoặc Delta.
Step 1 - Khởi tạo tất cả các trọng số bằng 0 như wij = 0 (i = 1 to n, j = 1 to n)
Step 2 - Thực hiện các bước 3-4 cho mỗi vector đầu vào.
Step 3 - Kích hoạt từng đơn vị đầu vào như sau -
$$ x_ {i} \: = \: s_ {i} \ :( i \: = \: 1 \: to \: n) $$
Step 4 - Kích hoạt từng đơn vị đầu ra như sau -
$$ y_ {j} \: = \: s_ {j} \ :( j \: = \: 1 \: to \: n) $$
Step 5 - Điều chỉnh trọng lượng như sau -
$$ w_ {ij} (mới) \: = \: w_ {ij} (cũ) \: + \: x_ {i} y_ {j} $$
Thuật toán kiểm tra
Step 1 - Đặt trọng lượng thu được trong quá trình luyện tập cho quy tắc của Hebb.
Step 2 - Thực hiện các bước 3-5 cho mỗi vector đầu vào.
Step 3 - Đặt kích hoạt của các đơn vị đầu vào bằng với kích hoạt của vector đầu vào.
Step 4 - Tính toán đầu vào ròng cho mỗi đơn vị đầu ra j = 1 to n
$$ y_ {secure} \: = \: \ displaystyle \ sum \ limit_ {i = 1} ^ n x_ {i} w_ {ij} $$
Step 5 - Áp dụng chức năng kích hoạt sau để tính toán đầu ra
$$ y_ {j} \: = \: f (y_ {inv}) \: = \: \ begin {case} +1 & if \: y_ {inv} \:> \: 0 \\ - 1 & if \: y_ {secure} \: \ leqslant \: 0 \ end {case} $$
Hetero Associative memory
Tương tự như mạng Bộ nhớ tự động liên kết, đây cũng là mạng nơ-ron một lớp. Tuy nhiên, trong mạng này, vectơ huấn luyện đầu vào và vectơ đích đầu ra không giống nhau. Các trọng số được xác định để mạng lưu trữ một tập hợp các mẫu. Mạng liên kết Hetero có bản chất là tĩnh, do đó, sẽ không có các hoạt động phi tuyến tính và trễ.
Ngành kiến trúc
Như thể hiện trong hình sau, kiến trúc của mạng Bộ nhớ liên kết giữa các ‘n’ số lượng vectơ đào tạo đầu vào và ‘m’ số vectơ mục tiêu đầu ra.
Thuật toán đào tạo
Để đào tạo, mạng này đang sử dụng quy tắc học tập Hebb hoặc Delta.
Step 1 - Khởi tạo tất cả các trọng số bằng 0 như wij = 0 (i = 1 to n, j = 1 to m)
Step 2 - Thực hiện các bước 3-4 cho mỗi vector đầu vào.
Step 3 - Kích hoạt từng đơn vị đầu vào như sau -
$$ x_ {i} \: = \: s_ {i} \ :( i \: = \: 1 \: to \: n) $$
Step 4 - Kích hoạt từng đơn vị đầu ra như sau -
$$ y_ {j} \: = \: s_ {j} \ :( j \: = \: 1 \: to \: m) $$
Step 5 - Điều chỉnh trọng lượng như sau -
$$ w_ {ij} (mới) \: = \: w_ {ij} (cũ) \: + \: x_ {i} y_ {j} $$
Thuật toán kiểm tra
Step 1 - Đặt trọng lượng thu được trong quá trình luyện tập cho quy tắc của Hebb.
Step 2 - Thực hiện các bước 3-5 cho mỗi vector đầu vào.
Step 3 - Đặt kích hoạt của các đơn vị đầu vào bằng với kích hoạt của vector đầu vào.
Step 4 - Tính toán đầu vào ròng cho mỗi đơn vị đầu ra j = 1 to m;
$$ y_ {secure} \: = \: \ displaystyle \ sum \ limit_ {i = 1} ^ n x_ {i} w_ {ij} $$
Step 5 - Áp dụng chức năng kích hoạt sau để tính toán đầu ra
$$ y_ {j} \: = \: f (y_ {inv}) \: = \: \ begin {case} +1 & if \: y_ {inv} \:> \: 0 \\ 0 & if \ : y_ {secure} \: = \: 0 \\ - 1 & if \: y_ {secure} \: <\: 0 \ end {case} $$