Курсовая работа по высшей математике на тему Проектирование ассоциативной памяти с помощью дискретно временных нейронных сетей второго порядка

Введение
Современные технологии обработки информации всё чаще обращаются к принципам работы биологических систем, в частности, к концепции ассоциативной памяти. Ассоциативная память, в отличие от традиционной адресной, позволяет извлекать информацию по её содержанию, а не по точному адресу. Это делает её незаменимой в задачах распознавания образов, восстановления зашумленных данных и принятия решений в условиях неопределенности.
Особое место среди моделей ассоциативной памяти занимают нейронные сети, такие как сети Хопфилда. Они демонстрируют способность запоминать и восстанавливать образцы, однако их возможности ограничены емкостью хранения и эффективностью при работе со сложными данными. Существующие решения на основе сетей высокого порядка, которые способны преодолеть эти ограничения, часто приводят к неприемлемому росту архитектурной сложности.
В связи с этим, разработка новых моделей, обладающих высокой емкостью хранения и в то же время не требующих чрезмерно сложной архитектуры, является важной и актуальной задачей. Настоящая работа посвящена исследованию подхода, основанного на использовании дискретно-временных нейронных сетей второго порядка с локальными связями.
Предлагаемая модель сочетает в себе преимущества высокопорядковых взаимодействий, позволяющих увеличить емкость памяти, с локальными связями, снижающими сложность реализации. Это обеспечивает возможность создания эффективных и практичных систем ассоциативной памяти.
Целью данной работы является изучение предложенной модели нейронной сети, анализ её свойств и возможностей, а также ознакомление с методом её проектирования.
В рамках достижения поставленной цели были выделены следующие задачи:
1. Изучить теоретические основы ассоциативной памяти и нейронных сетей для её реализации.
2. Подробно рассмотреть математическую модель предложенной дискретно-временной нейронной сети второго порядка с локальными связями.
3. Провести анализ устойчивости равновесных состояний сети, необходимых для корректной работы ассоциативной памяти.
4. Ознакомиться с методом синтеза, основанным на использовании псевдообратных матриц, и изучить его свойства.
5. Провести численные эксперименты для демонстрации возможностей предложенной модели и сравнения с другими архитектурами.
6. Сформулировать выводы по результатам работы и наметить перспективы дальнейших исследований.
 
1. Теоретические основы
1.1 Ассоциативная память
Ассоциативная память, также известная как память по содержанию (content-addressable memory или CAM), является типом памяти, где доступ к данным осуществляется не по их адресу, а по их содержимому или частичному содержимому. Это позволяет извлекать полную информацию из неполных или зашумленных данных, а также восстанавливать корректные данные из неидеальных.
В отличие от традиционной адресной памяти, где каждый элемент данных имеет свой уникальный адрес, в ассоциативной памяти данные связаны между собой по смыслу или по ассоциации. Ключевыми концепциями ассоциативной памяти являются:
• Хранение образцов: Ассоциативная память предназначена для хранения набора образцов (векторов, изображений, звуков и т.д.).
• Ассоциация: Элементы данных ассоциируются друг с другом на основе их схожести.
• Извлечение по ассоциации: При предъявлении частичного или зашумленного образца, ассоциативная память должна извлечь наиболее близкий к нему целый образец.
Ассоциативную память можно разделить на два основных типа:
• Автоассоциативная память: Извлекает целый образец на основе его частичного или зашумленного варианта. В этом случае, входной и выходной образцы принадлежат одному и тому же пространству.
• Гетероассоциативная память: Устанавливает соответствие между двумя наборами образов. При предъявлении образа из первого набора, она возвращает соответствующий образ из второго.
(Здесь можно добавить небольшие схемы для иллюстрации этих двух типов, например, с векторными представлениями образцов).
1.2 Нейронные сети для ассоциативной памяти
Нейронные сети, благодаря своей распределенной архитектуре и способности к обучению, идеально подходят для реализации ассоциативной памяти. Одним из первых и наиболее известных примеров являются сети Хопфилда.
• Сети Хопфилда:
• Представляют собой рекуррентные нейронные сети, в которых каждый нейрон связан со всеми остальными.
• Запоминание образцов происходит путем настройки весов связей между нейронами.
• Процесс извлечения заключается в итеративном обновлении состояний нейронов, пока сеть не сойдется к одному из запомненных состояний.
• Недостатки:
• Ограниченная емкость памяти (могут хранить лишь небольшое количество образцов).
• Проблема "ложных срабатываний" (может сойтись к неверным образцам).
• Сети высокого порядка:
• Для увеличения емкости памяти используются сети, в которых взаимодействия между нейронами происходят не только парами, но и тройками и т.д.
• Используют связи между нейронами более высокого порядка, что позволяет более сложные ассоциации.
• Однако имеют серьезный недостаток – резкое увеличение архитектурной сложности (количество связей быстро растет).
В целях преодоления проблемы сложности сетей высокого порядка были предложены различные подходы:
• Случайное удаление связей: Удаление части связей высокого порядка, сохраняя при этом важные взаимодействия.
• Выбор значимых связей: Определение и использование только тех связей, которые несут наибольшую информационную нагрузку.
• Локальные взаимодействия: Использование взаимодействий только между нейронами, которые находятся в определенной пространственной окрестности.
1.3 Дискретно-временные нейронные сети второго порядка
В настоящей работе предлагается использовать дискретно-временные нейронные сети второго порядка с локальными связями. Такая модель позволяет сочетать в себе преимущества высокопорядковых взаимодействий, которые увеличивают емкость памяти, и локальных связей, которые снижают архитектурную сложность.
Дискретно-временная нейронная сеть второго порядка, рассматриваемая в данной работе, характеризуется следующими свойствами:
• Уравнение состояния нейрона: Состояние i-го нейрона u_i(k+1) в момент времени k+1 зависит от взвешенной суммы выходов всех нейронов в момент времени k, а также от взвешенных произведений выходов пар нейронов, принадлежащих его локальной окрестности:
u_i(k + 1) = ∑_j=1_n t_ij v_j(k) + ∑_j=1_n-1∑_l=j+1_n h_ijl u_j(k)v_l(k) + I_i
• где:
• n - общее количество нейронов в сети;
• t_ij - веса связей между j-ым и i-ым нейронами (первого порядка);
• h_ijl - веса связей второго порядка между парами нейронов j и l и i-ым нейроном;
• I_i - смещение i-го нейрона;
• v_j(k) - выход j-го нейрона в момент времени k;
• Функция активации: Выход каждого нейрона v_i(k) вычисляется с помощью функции активации g, которая в данной работе является кусочно-линейной:
• v_i(k) = g(u_i(k)), где g(u_i) = (2u_i + 1 − |2u_i - 1|)/2
• Вектор состояния u(k): Вектор, содержащий состояния всех нейронов:
u(k) = [u_1(k), u_2(k), ..., u_n(k)]_T
• Вектор выхода v(k): Вектор, содержащий выходы всех нейронов:
v(k) = [v_1(k), v_2(k), ..., v_n(k)]_T
• Вектор z: Вектор, составленный из произведений выходов нейронов:
z = [v_1v_2, v_1v_3, ..., v_1v_n, v_2v_3, ..., v_2v_n, ..., v_n-1v_n]_T
• Матрицы связей:
• Матрица T: Матрица весов связей первого порядка (размером n x n)
T = [t_ij]
• Матрица H: Матрица весов связей второго порядка (размером n x d, где d = n(n-1)/2).
H = [h_ijl]
• Локальные взаимодействия: Связи между нейронами ограничены некоторой областью, называемой окрестностью. Порядок окрестности r определяет размер этой области.
• Веса связей t_ij и h_ijl отличны от нуля, только если нейроны j и l (для связей второго порядка) принадлежат окрестности i-го нейрона.
• Порядок окрестности r: Определяет область, в рамках которой нейроны взаимодействуют, что помогает ограничить число связей.
• Вектор смещения I: Вектор, содержащий смещения для каждого нейрона:
I = [I_1, I_2, ..., I_n]_T
На этом я закончу первую часть, чтобы вы могли ее изучить и дать обратную связь. В следующем сообщении мы рассмотрим "Модель и анализ устойчивости" на основе предоставленной статьи.