類神經記憶

Abstract

人類的大腦是一種奇妙的組織，腦細胞的工作原理，到目前仍未被人們所熟知．目前 在類神經網路（Artificial Neural network） 領域內所提出的模式（model）， 大 多是根據部份假設所提出的，想在人工智慧上能有所突破． 在本論文內，吾人將討論三類類神經記憶網路（neural Associative Memory）：（ １）Hopfield net，（２）Cascade AM，（３）具有BP學習能力的多層網路．以下所 稱的圖案（pattern） 係指存在網路內的東西．一個網路如果能存很多圖案，則稱這 網路具有很大的容量（Capacity）． 目前所發表的論文大多著重在如何創造一個網路，使得它的容量變大．但本論文將以 另一觀點來看這一問題．吾人將圖案如何影網路響的容量和效率，以下是本論文的重 要成果，其中所謂的”相關性的圖案”是指圖案間的相似程度． 在一般的情況之下，這三種網路的效率，分別是（１）最好，（２）次之，（３）最 差．若是所重存的圖案有相關性，則（１）和（２）的效率會變得很差，其原因是（ １）和（２）的聯接矩陣（Connection Mtrix）會因相關性的圖案，而產生很大的雜 訊（Noise）， 尤其網路越大，則雜訊也越大，影想了網路的運作，因此這兩類網路 的效率變得很差，而具有BP學習能力的多層網路則不受影響． 吾人也提出一個理論來證明相關性的圖案會影響（１）和（２），同時此理論也成功 的預測了當（１）的網路變時的效率．