Голографическая ассоциативная память ( HAM ) - это форма хранения информации, в которой два фрагмента информации сохраняются и извлекаются путем связывания их друг с другом в шаблоне таким образом, что любая часть шаблона содержит их оба, и любая часть может использоваться для извлечения другого. . Его корни в принципах голографии . Голограммы создаются с помощью двух лучей света, называемых «опорным лучом» и «объектным лучом». Они производят узор на пленкекоторый 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 использоваться для извлечения другого из шаблона.
Определение
HAM является частью семейства аналоговых, основанных на корреляции, ассоциативных воспоминаний «стимул-ответ», где информация отображается на фазовую ориентацию действующих комплексных чисел. [ Разъяснение необходимости ] Его можно рассматривать как сложную значную искусственную нейронную сеть . Голографическая ассоциативная память обладает некоторыми замечательными характеристиками. Было показано, что голограммы эффективны для задач ассоциативной памяти , обобщения и распознавания 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 шаблоне. 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 имеет отличный потенциал для быстрой оптической реализации, поскольку лежащие в основе гипер-сферические вычисления могут быть естественным образом реализованы на оптических вычислениях.
Он основан на принципе хранения информации в виде шаблонов "стимул-реакция", где информация представлена ориентацией фазового угла комплексных чисел на римановой поверхности . [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 ошибки обратного распространения , в отличии от коннекционистских нейронных сетей . Основное требование состоит в том, чтобы образцы стимулов были симметричными или ортогональными в сложной области. ХАМ обычно использует сигмовидную предварительную обработку , где сырые входы ортогонализированы и преобразуются в гауссовых распределения.
Принцип работы
1) Связи «стимул-ответ» изучаются и выражаются в одном неитеративном преобразовании. Не требуется обратного распространения ошибок или итеративной обработки.
2) Метод образует не- Коннекшионистской модели , в которой способность накладывать очень большой набор аналоговых последовательностей стимул-отклик или сложных ассоциаций существует в пределах отдельного нейрона клетки.
3) Сгенерированный фазовый угол передает ответную информацию, а величина сообщает меру распознавания (или уверенности в результате).
4) Процесс позволяет нейронной системе устанавливать профиль доминирования хранимой информации, таким образом демонстрируя профиль памяти любого диапазона - от кратковременной до долговременной памяти .
5) Процесс следует правилу невмешательства, то есть предшествующие ассоциации стимула и реакции минимально подвержены влиянию последующего обучения.
6) Информация представлена в абстрактной форме комплексным вектором, который может быть выражен непосредственно формой волны, имеющей частоту и величину. Эта форма волны аналогична электрохимическим импульсам, которые, как считается, передают информацию между биологическими нейронными клетками.
Смотрите также
Рекомендации
- ↑ Сазерленд, Джон Г. (1 января 1990 г.). «Голографическая модель памяти, обучения и выражения». Международный журнал нейронных систем . 01 (3): 259–267. DOI : 10.1142 / S0129065790000163 .
Библиография
- Сазерленд, Дж., Голографические модели памяти, обучения и выражения, Международный журнал нейронных систем , 1 (3), 1990, стр. 356–267.
- JI Khan. Ассоциативные вычисления с модуляцией внимания и ассоциативный поиск по содержанию в архиве изображений . Докторская диссертация, Гавайский университет, август 1995 г.
- К.И. Хан и Д.Ю. Юн. Характеристики многомерной голографической ассоциативной памяти при поиске с динамически локализуемым вниманием . IEEE Transactions on Neural Networks , 9 (3): 389-406, May 1998.
- HE Michel, AAS Awwal, Улучшенные искусственные нейронные сети с использованием комплексных чисел , Neural Networks , 1999. Proceedings. Международная совместная конференция IEEE 1999 г.
- Р. Ступ, Дж. Бучли, Г. Келлер, У.Х. Стиб, Стохастический резонанс в распознавании образов с помощью модели голографического нейрона , Physical Review 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. Кунджитапатхам, Обработка данных Landsat TM с использованием комплексных нейронных сетей , Proceedings of SPIE , Международное оптическое общество, 2002.
- Р.П. Гопалан, Дж. Ли, Индексирование баз данных изображений с использованием необученной 4-мерной модели голографической памяти, 15-я совместная конференция Австралии по искусственному интеллекту , - Springer Page 1. Р. И. Маккей и Дж. Слэни (ред.): AI 2002, LNAI 2557, стр. 237 –248.
- RWTH Aachen, IH Ney, Подходы к распознаванию инвариантных объектов изображения, [1]