廣義化加權式關連性記憶模型

Abstract

以類神經網路來模擬人類的關連性記憶行為(associative memory)在近年來引起了極 大的興趣及研究風氣，特別像是霍菲爾模型(Hopfield Associative Memory, HAM)， 雙向式關連性記憶模型(Bidirectional Associative Memory, BAM) 及一些高階式記 憶模型(high-order associative memory) 。然而，對於霍菲爾模型及雙向式關連性 記憶模型等可視為一階模式記憶模型而言，它們的低記憶容量(capacity)及不甚理想 的表現效果和在高階式模型中巨大而快速膨脹的記憶空間(memory cost) 均是實際應 用發展上極欲突破的課題。在本論文中，本人將提出一種新的架構－廣義化加權式關 連性記憶模型(the Generalized Weighted Associative Memory, GWAM) 予各位。在 本新的模型中，不但一方面能克服一般高階式模型的記憶空間快速膨脹問題及增進一 般記憶模型的記憶能力，並且另一方面藉由正確的參數選擇將能保証在本架構下的訓 練圖形都具有最小的能量值以期正確無誤的輸出圖形能夠被回憶出來。