پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,230 |
| تعداد مقالات | 67,757 |
| تعداد مشاهده مقاله | 115,119,223 |
| تعداد دریافت فایل اصل مقاله | 89,887,965 |
محاسبه ظرفیت شبکه عصبی هاپفیلد و ارائه روش عملی افزایش حجم حافظه | ||
| نشریه دانشکده فنی | ||
| مقاله 8، دوره 53، شماره 0 - شماره پیاپی 1000169، آذر 1372 اصل مقاله (549.68 K) | ||
| نویسندگان | ||
| محمد رضا عارف؛ مجید سلیمانیپور* | ||
| چکیده | ||
| The capacity of the Hopfield model has been considered as an imortant parameter in using this model. In this paper, the Hopfield neural network is modeled as a Shannon Channel and an upperbound to its capacity is found. For achieving maximum memory, we focus on the training algorithm of the network, and prove that the capacity of the network is bounded by the maximum number of the orthogonal training patterns. Then, the pratical memory of the network, for noiseless and noisy inputs, by appropiate coding of the training patterns is examined. Finally, the theoretical results and the increase rate of the memory is evaluated by simulation | ||
| عنوان مقاله [English] | ||
| The Capacity of the Hopfield Neural Network and A Practical Way To Increase its Memory. | ||
| چکیده [English] | ||
| ظرفیت (حجم حافظه) مدل عصبی هاپفیلد ، بعنوان پارامترهای مهم در بهره برداری از این شبکه ، بررسی شده است . در این مقاله ، باند بالای ظرفیت شبکه هاپفیلد با روشی نو ، از طریق مدل سازی آن با کانال شانون محاسبه می شود . به منظور دستیابی به حداکثر زمان ممکن الگریتم یادگیری شبکه بررسی می شود و به اثبات می رسد که ظرفیت شبکه در عمل محدود به ماکزیمم تعداد الگوهای آموزشی دو به دو متعامد است . سپس ضمن اثبات چند قضیه در خصوص کدهای متعامد ، حجم حافظه عملی شبکه را در حالت ورودی خش دار و بی خش ، با فرض کدگذاری مناسب روی الگوهای آموزشی ، بررسی کرده ، سر انجام با استفاده از شبیه سازی مدل هاپفیلد نتایج محاسبات نظری و میزان افزایش حجم حافظ را ارزیابی می کنیم . | ||
|
آمار تعداد مشاهده مقاله: 1,686 تعداد دریافت فایل اصل مقاله: 1,699 |
||