Голографическая ассоциативная память - Holographic associative memory

Эта статья поднимает множество проблем. Пожалуйста помоги Улучши это или обсудите эти вопросы на страница обсуждения. (Узнайте, как и когда удалить эти сообщения-шаблоны) Эта статья написано как личное размышление, личное эссе или аргументированное эссе который излагает личные чувства редактора Википедии или представляет оригинальный аргумент по теме. Пожалуйста помогите улучшить это переписав его в энциклопедический стиль. (Январь 2013) (Узнайте, как и когда удалить этот шаблон сообщения) Эта статья предоставляет недостаточный контекст для тех, кто не знаком с предметом. Пожалуйста помоги улучшить статью к обеспечение большего контекста для читателя. (Октябрь 2009 г.) (Узнайте, как и когда удалить этот шаблон сообщения) Эта статья требует внимания эксперта в области вычислений. Пожалуйста, добавьте причина или разговаривать в этот шаблон, чтобы объяснить проблему со статьей. WikiProject Computing может помочь нанять эксперта. (Ноябрь 2008 г.) (Узнайте, как и когда удалить этот шаблон сообщения)

Голографическая ассоциативная память (ВЕТЧИНА) Является формой хранения информации, в которой два элемента информации сохраняются и извлекаются путем связывания их друг с другом в шаблоне, так что любая часть шаблона содержит их оба, и любой из них может использоваться для извлечения другого. Его корни в принципах голография. Голограммы создаются с помощью двух лучей света, называемых «опорным лучом» и «объектным лучом». Они производят узор на фильм который содержит их обоих. Затем, воспроизводя опорный луч, голограмма воссоздает визуальное изображение исходного объекта. Теоретически можно было бы использовать объектный луч для того же: воспроизвести исходный опорный луч. В HAM части информации действуют как два луча. Каждый может быть использован для извлечения другого из шаблона.

Определение

HAM является частью семейства аналоговых, основанных на корреляции, ассоциативных воспоминаний «стимул-ответ», в которых информация отображается на фазовую ориентацию действующих комплексных чисел.^{[требуется разъяснение ]} Его можно рассматривать как сложный ценится искусственная нейронная сеть. Голографическая ассоциативная память обладает некоторыми замечательными характеристиками. Показано, что голографии эффективны для ассоциативный объем памяти задачи, обобщение и распознавание образов с переменным вниманием. Возможность динамической локализации поиска является центральной для естественной памяти. Например, при визуальном восприятии люди всегда склонны сосредотачиваться на некоторых конкретных объектах в узоре. Люди могут легко менять фокус с объекта на объект, не требуя повторного обучения. HAM предоставляет вычислительную модель, которая может имитировать эту способность, создавая представление для фокусировки. В основе этой новой памяти лежит новое бимодальное представление паттерна и сложное сферическое весовое пространство состояний, подобное голограмме. Помимо обычных преимуществ ассоциативных вычислений, этот метод также обладает прекрасным потенциалом для быстрой оптической реализации, поскольку лежащие в основе гиперсферические вычисления могут быть естественным образом реализованы в оптических вычислениях.

Он основан на принципе хранения информации в виде паттернов стимул-ответ, где информация представлена угол фазы ориентации сложные числа на Риманова поверхность.^[1] Очень большое количество паттернов «стимул-реакция» может быть наложено или «свернуто» на один нейронный элемент. Связи "стимул-ответ" могут быть как закодированы, так и декодированы в одном неитеративном преобразовании. Математическая основа не требует оптимизации параметров или ошибок. обратное распространение, В отличие от коннекционист нейронные сети. Основное требование - симметричные или симметричные модели стимулов. ортогональный в сложной области. HAM обычно нанимает сигмовидный предварительная обработка, при которой исходные входные данные ортогонализируются и преобразуются в Гауссовский раздачи.

Принцип работы

1) Связи "стимул-реакция" изучаются и выражаются в одном неитеративном преобразовании. Нет обратное распространение условий ошибок или требуется итеративная обработка.

2) Метод формирует не-коннекционист модель, в которой возможность наложить очень большой набор аналог модели стимула-реакции или сложные ассоциации существуют внутри человека нейрон клетка.

3) Сгенерированный угол фазы передает ответную информацию, а величина сообщает меру признания (или уверенности в результате).

4) Процесс позволяет нейронной системе устанавливать профиль доминирования хранимой информации, таким образом демонстрируя профиль памяти любого диапазона - от в ближайщем будущем к Долгосрочная память.

5) Процесс следует правилу невмешательства, то есть предшествующие ассоциации стимула и реакции минимально подвержены влиянию последующего обучения.

6) Информация представлена ​​в абстрактной форме сложным вектором, который может быть выражен непосредственно форма волны обладающие частотой и величиной. Эта форма волны аналогична электрохимическим импульсам, которые, как считается, передают информацию между биологическими нейрон клетки.

Смотрите также

• И Корпорация
• Голографическая память
• Теория голономного мозга
• Редкая распределенная память

Рекомендации

Библиография

• Сазерленд Дж. Голографические модели памяти, обучения и выражения. Международный журнал нейронных систем, 1 (3), 1990, стр. 356–267
• J. I. Khan. Ассоциативные вычисления с модуляцией внимания и ассоциативный поиск по содержанию в архиве изображений. Докторская диссертация, Гавайский университет, август 1995 г.
• К. И. Хан, Д. Ю. Юн. Характеристики многомерной голографической ассоциативной памяти при поиске с динамически локализуемым вниманием. IEEE-транзакции в нейронных сетях, 9 (3): 389–406, май 1998 г.
• Его Превосходительство Мишель, AAS Awwal, Улучшенные искусственные нейронные сети с использованием комплексных чисел, Нейронные сети, 1999. Известия. Международная совместная конференция IEEE 1999 г.
• Р. Ступ, Дж. Бучли, Дж. Келлер, У. Х. Стиб, Стохастический резонанс в распознавании образов по модели голографического нейрона, Физический обзор E, 2003.
• Y Hendra, RP Gopalan, MG Nair, Метод динамического индексирования больших баз данных изображений, Системы, человек и кибернетика, 1999. IEEE SMC'99.
• Его Превосходительство Мишель, С. Кунджитхапатам, Обработка данных Landsat TM с использованием комплексных нейронных сетей, Труды SPIE, Международное оптическое общество, 2002 г.
• Р.П. Гопалан, Г. Ли, Индексирование баз данных изображений с использованием необученной 4-мерной модели голографической памяти, 15-я Австралийская совместная конференция по искусственному интеллекту, - Springer Page 1. Р. И. Маккей и Дж. Слэйни (ред.): AI 2002, LNAI 2557, стр. 237–248.
• RWTH Aachen, IH Ney, Подходы к распознаванию инвариантных объектов изображения, [1]