Page 69 - 4524

Для порівняння: мережа Хопфилда є автоасоціативною.
Вхідний образ може бути відновлений чи виправлений мере-
жею, але не може бути асоційований з іншим образом. У ме-
режі Хопфілда використовується одношарова структура асо-
ціативної пам'яті, у якій вихідний вектор з'являється на виході
тих же нейронів, на які надходить вхідний вектор.
Двоскерована асоціативна пам'ять, як і мережа Хопфіл-
да, здатна до узагальнення, виробляючи правильні вихідні си-
гнали, незважаючи на спотворені входи.
Розглянемо схему двоскерованої асоціативної пам'яті.
Вхідний вектор A обробляється матрицею ваг W мережі, у ре-
зультаті чого продукується вектор вихідних сигналів мережі
T
B. Вектор B обробляється транспонованою матрицею W ваг
мережі, яка продукує сигнали, що представляють новий вхід-
ний вектор A. Цей процес повторюється доти, поки мережа не
досягне стабільного стану, у якому ні вектор A, ні вектор B не
змінюються.
Нейрони в прошарках 1 і 2 функціонують, як і в інших
парадигмах, обчислюючи суму зважених входів і значення пе-
редатної функції F:
b  F  a w , (5.24)
j j ij
j
або у векторній формі:
B=F(AW), (5.25)
де B - вектор вихідних сигналів нейронів прошарку 2, A -
вектор вихідних сигналів нейронів прошарку 1, W - матриця
ваг зв'язків між прошарками 1 і 2, F - передатна функція.
T
T
Аналогічно A=F(BW ), де W є транспозицією матриці W.
В якості передатної функції використовується експонен-
тна сигмоїда.
Прошарок 0 не робить обчислень і не має пам'яті. Він є
лише засобом розподілу вихідних сигналів прошарку 2 до
T
елементів матриці W .
Формула для обчислення значень синаптичних ваг:
W   A T j B , (5.26)
j
j
де A j і B j - вхідні і вихідні сигнали навчальної вибірки.
Вагова матриця обчислюється як сума добутків всіх век-
торних пар навчальної вибірки.

68