КОДИРОВАНИЕ АССОЦИАЦИЙ

Обычно сеть обучается распознаванию множества образов. Обучение производится с использованием обучающего набора, состоящего из пар векторов A и B. Процесс обучения реализуется в форме вычислений; это означает, что весовая матрица вычисляется как сумма произведении всех векторных пар обучающего набора. B символьной форме

Предположим, что все запомненные образы представляют собой двоичные векторы. Это ограничение покажется менее строгим, если вспомнить, что все содержимое Библиотеки Конгресса может быть закодировано в один очень длинный двоичный вектор. В работе [11] показана возможность достижения более высокой производительности при использовании биполярных векторов. При этом векторная компонента, большая чем 0, становится +1, а компонента, меньшая или равная 0, становится –1.

Предположим, что требуется обучить сеть с целью запоминания трех пар двоичных векторов, причем векторы A _i имеют размерность такую же, как и векторы В _i. Надо отметить, что это не является необходимым условием для работы алгоритма; ассоциации могут быть сформированы и между векторами различной размерности.

Исходный вектор	Ассоциированный вектор	Бинарная версия
A1 = (1,0,0)	B1 = (0,0,1)	A’1 = (1,–1,–1)	B’1 = (–1,–1,1)
A2 = (0,1,0)	B2 = (0,1,0)	A’1 = (–1,1,–1)	B’1 = (–1,1,–1)
A3 = (0,0,1)	B3 = (1,0,0)	A’1 = (–1,–1,1)	B’1 = (1,–1,–1)

 

Вычисляем весовую матрицу

W = A’ ₁t B’ ₁+ A’ ₂t B’ ₂ + A’ ₃t B’ ₃

–1

–1

+

–1

+

–1

=

–1

–1

–1

–1

–1

–1

–1

–1

–1

–1

–1

–1

–1

–1

–1

 

Далее прикладывая входной вектор А = (1,0,0), вычисляем выходной вектор О

O = A1tW =(1,0,0) x		–1		=	(–1,–1,3)
–1		–1
	–1	–1

Используя пороговое правило

b _i = 1, если o_i > 0,

b _i = 0, если o_i < 0,

b _i = 0, не изменяется, если o_i = 0

вычисляем

B’ ₁ = (0,0,1),

что является требуемой ассоциацией. Затем, подавая вектор В’ ₁ через обратную связь на вход первого слоя к W tполучаем

O = B’1Wt=(0,0,1) x		–1		=	(3,–1,–1)
–1		–1
	–1	–1

 

что дает значение (1,0,0) после применения пороговой функции, образуя величину вектора A ₁.

Этот пример показывает, как входной вектор A с использованием матрицы W производит выходной вектор B. В свою очередь вектор B с использованием матрицы W tпроизводит вектор A, таким образом в системе формируется устойчивое состояние и резонанс.

ДАП обладает способностью к обобщению. Например, если незавершенный или частично искаженный вектор подается в качестве A, сеть имеет тенденцию к выработке запомненного вектора B, который в свою очередь стремится исправить ошибки в A. Возможно, для этого потребуется несколько проходов, но сеть сходится к воспроизведению ближайшего запомненного образа.

Системы с обратной связью могут иметь тенденцию к колебаниям; это означает, что они могут переходить от состояния к состоянию, никогда не достигая стабильности. В [9] доказано, что все ДАП безусловно стабильны при любых значениях весов сети. Это важное свойство возникает из отношения транспонирования между двумя весовыми матрицами и означает, что любой набор ассоциаций может быть изучен без риска возникновения нестабильности.

Существует взаимосвязь между ДАП и рассмотренными в гл. 6 сетями Хопфилда. Если весовая матрица W является квадратной и симметричной, то W=W t. В этом случае, если слои 1 и 2 являются одним и тем же набором нейронов, ДАП превращается в автоассоциативную сеть Хопфилда.