تعديل شبكة العصبية ذاكرة ثنائية الاتجاه الترابطية (BAM) == A Modified Bidirectional Associative Memory
Author name:
نسرين عبد الهادي جبر
Supervisor name:
عماد عيسى عبد الكريم
General topic:
Computer Science
Specific topic:
Computer Science
Degree:
Master
University:
Mustansiriyah University - College Of Science - Department Of Computer
Language:
English
University location:
Baghdad
First pages:
28T847 - p.pdf
Abstract:
شبكة العصبية الذاكرة ثنائية الاتجاه الترابطية (BAM) هي واحدة من الاكثر استخداما نماذج الشبكة العصبية لمغاير الجمعيات والتحسين المهام. وBAM لها عدة قيود مثل انماط محدودة المخزنة، مشاكل ادنى المحلية، نسبة الضوضاء المحدودة والتحول والمشاكل التحجيم. واقترحت هذه الاطروحة لتحسين شبكة الذاكرة العصبية ثنائية الاتجاه الترابطية (BAM) عن طريق تعديل في هيكلية الشبكة وعمليات التعلم والتقارب. هذا التعديل يؤدي الى زيادة اداء الشبكة العصبية الذاكرة ثنائية الاتجاه الترابطية (BAM) عن طريق تجنب معظم القيود. وبالاضافة الى ذلك تحسين كفائتها من خلال تقليل حجم الشبكة وحجم الوزن. ونتيجة ما ورد اعلاه، سيتم زيادة القدرة على الضوضاء، وكذلك تسريع عملية التعلم وتقاربه. اثبتت عملية التقييم ان شبكة (MBAM) يمكن ان تتعلم وتتعرف على (100) انماط ذات احجام مختلفة وبنسب مقبوله من الضوضاء والتغلب على معظم القيود BAM باستثناء المشاكل التحول والارتقاء. وفقا لمرحلة التعلم، وصلت MBAM سعة التخزين الى 100 انماط ومازالت تعمل بكفاءة. وبالاضافة الى ذلك، فان حجم المصفوفة الاوزان اصبح اصغر (اي اربعة مصفوفات)، ويتم تحديد حجم هيكل شبكة MBAM (اربعة الخلايا العصبية) مع اي حجم نمط (اي انها لن تعتمد على حجم نمط). في مرحلة التقارب، والتخلص من مشكلة الارتباط ومشكلة الحد الادنى المحلية. وبالاضافة الى ذلك، كانت نسبة الضوضاء مقبولة لخوارزمية التقليدية مع حجم نمط (32 * 32) بكسل والضوضاء وتتراوح ما بين (10٪ - 90٪). وكانت نتائج هذه التقييم من (100٪ - 36.66٪)، في حين كان من نتائجها خوارزمية عشوائية في مجموعة من (100٪ - 39.66٪)، ونتائج خوارزمية الربع في مجموعة من (100٪ - 36٪). | A Bidirectional Associative Memory (BAM) neural network is one of the most commonly used neural network models for hetero - association and optimization tasks. The BAM has several limitations such as limited stored patterns, local minimum problems, limited noise ratio and shifting and scaling problems. This thesis will proposed to improve the Bidirectional Associative Memory neural network (BAM) via modification the network architecture, learning and convergence processes. This modification is to increases the performance of associative memory neural network via avoiding most of the (BAM) limitations. In addition improving its efficiency by decrease the network size and weight size. As a result of the above, the capability for noise will be increased as well as speed up its learning and convergence process. The evaluation process proved that the MBAM network can learn and recognize 100 patterns with different sizes in acceptable percentage noise overcoming most of BAM limitations except shifting and scaling problems. According to the learning phase, MBAM reached the storage capacity to 100 patterns and still working efficiently. In addition, the size of the weights matrix became smaller (i.e. Four matrices), and the structure size of the MBAM network will be fixed (Four neurons) with any pattern size (i.e. it will not depend on the size of the pattern). In the convergence phase, the correlation problem and local minimum problem were disposed. In addition, noise percentage was acceptable that for traditional algorithm with pattern size (32*32) pixel and the noise was ranging from (10% - 90%). The results of these evaluation was from (100% - 36.66%), while Random algorithm was resulted in range from (100% - 39.66%), and Quarter algorithm was resulted in range from (100% - 36%).
